字符编码问题

之前在十个经验点总结中提到了utf-8,之前也特地去了解了一些,大多是懵懵懂懂,所以这里又重新上网搜了各种资料,看了许多大牛的博客,以下是自己的总结:

字符编码是计算机技术的基石,想要熟练使用计算机,就必须懂得一点字符编码的知识。
——by 某位仁兄

术语:

  • 位:bit
  • 字节:byte 1 byte = 8 bits
  • ASCII(American Standard Code for Information Interchange):编码标准,规定了128个字符与二进制位间的对应关系,它同时也被国际标准化组织(International Organization for Standardization,ISO)批准为国际标准ISO646
  • 扩展ASCII码(Extened ASCII):编码标准,规定了256个字符与二进制位间的对应关系
  • Unicode:符号集, 为每一个字符分配一个唯一的ID
  • UTF-8:互联网上使用最广的一种Unicode的实现方式,是一种可变长的编码方式

ASCII码

计算机内部,所有信息最终都是一个二进制值。每一个二进制位(bit)有0和1两种状态,八个二进制位就可以组合256种状态,这被称为一个字节(byte),一个字节可以表示256z种不同的符号,00000000到11111111,由于计算机的先驱在美国,所以60年代,美国首先制定了一套字符编码用来表示英语字符、标点等与二进制位间的关系,这一套标准规定的编码称之为ASCII码,其中一共规定了128个字符与二进制位的对应关系,其只占用了一个字节的后7位,第一位均为0。


ASCII码.png

扩展ASCII码

由于英语和其他的符号使用128个符号编码足够了,但是考虑到其他的语言,显然不够,为此,国际标准化组织又制定了ISO2022标准,它规定了在保持与ISO646兼容的前提下将ASCII字符集扩充为8位代码的统一方法,ISO陆续制定了一批适用于不同地区的扩充ASCII字符集,每种扩充ASCII字符集分别可以扩充128个字符,这些扩充字符的编码均为高位为1的8位代码(即十进制数128~255),称为扩展ASCII码。


扩展ASCII码.png

GB2312编码

上面1个字节貌似可以应付很多国家地区的语言表示了,但对于汉字来说,1个字节明显不够,所以中国制定了GB2312编码,用来把中文编进去,使用两个字节表示一个汉字,所以理论上最多可以表示 256x256=65536 个符号。

Unicode: 为统一而生

经过描述可以发现,各个国家地区貌似都有了不同的编码方式,导致各有各的标准,因此在网络传输等各个方面都会发生冲突,明显的结果就是乱码现象。

试想,如果有一种编码,能够将世界上所有的符号都纳入其中。每一个符号都给予一个独一无二的编码,那么乱码问题就会消失,Unicode应运而生。

Unicode标准在不断发展,但最常用的是用2个字节表示一个字符(如果要用到非常偏僻的字符,就需要4个字节)

注意,注意,注意!!!!
Unicode并不涉及字符是怎么在字节中表示的,它仅仅指定了每一个字符对应的数字,仅此而已。(Unicode只是一个用来映射字符和数字的标准。它对支持字符的数量没有限制,也不要求字符必须占两个、三个或者其它任意数量的字节。)

UTF-8: 为节约而生

注意到,使用unicode编码的话,由于最常用的是使用2个字节,但是考虑到国际语言英文,使用Unicode编码比ASCII编码需要多一倍的存储空间,在存储和传输上就十分不划算。
因此,就出现了"可变长编码"的UTF-8编码,UTF-8编码是在互联网上使用最广的一种Unicode的实现方式,常用的英文字母被编码成1个字节,汉字通常是3个字节,只有很生僻的字符才会被编码成4-6个字节。
关于UTF-8的编码规则:
1.单字节字符等同于ASCII码
2.n个字节的字符(n>1),第一个字节的前面n位都设置为1,第n+1位设置为0,后面n-1个字节8位的前两位设置为10,其余的二进制位设置为该字符的Unicode码(从后向前)

UTF-16,UTF-32

通过可以了解到UTF-8是Unicode最普遍的一种实现方式,那么当然还有其他的实现方式,包括:
UTF-16——字符用两个字节或四个字节表示;
UTF-32——字符用四个字节表示;

Unicode、UTF-8在计算机中的转化

一般情况是这样:在计算机内存中,统一使用Unicode编码,为了节省空间,当需要保存在硬盘或者传输的时候,就转换为UTF-8编码,
以记事本为例:
记事本编辑的时候,从文件读取的UTF-8字符被转换为Unicode字符到内存里,编辑完成后,保存的时候再把Unicode转换为UTF-8保存到文件。

小结:

记住一个顺序:
ASCII => EASCII => Unicode => UTF-8


参考文章:
http://www.ruanyifeng.com/blog/2007/10/ascii_unicode_and_utf-8.html——阮一峰的网络日志
https://www.liaoxuefeng.com/wiki/0014316089557264a6b348958f449949df42a6d3a2e542c000/001431664106267f12e9bef7ee14cf6a8776a479bdec9b9000——廖雪峰关于字符串与编码

~~~~~
这个世界上从来没有纯文本这回事,如果你想读出一个字符串,你必须知道它的编码
~~~~~

你可能感兴趣的:(字符编码问题)