字，字节，编码，unicode，ansi

字节（Byte 发音：/‘bait/)

以“位”（bit）为单位传递的，一个位就代表一个0或1，每8个位（bit）组成一个字节（Byte）

 

在ASCII码中，一个英文字母（不分大小写）占一个字节的空间，一个中文汉字占两个字节的空间。

　　符号：英文标点占一个字节，中文标点占两个字节。举例：英文句号“.”占1个字节的大小，中文句号“。”占2个字节的大小。

　　一个二进制数字序列,在计算机中作为一个数字单元,一般为8位二进制数，换算为十进制。最小值：0 最大值：255 。如一个ASCII码就是一个字节，此类单位的换算为：

　　1KB(Kilobyte 千字节)=1024B，

　　1MB(Megabyte 兆字节 简称“兆”)=1024KB，

　　1GB(Gigabyte 吉字节 又称“千兆”)=1024MB，

　　1TB(Trillionbyte 万亿字节 太字节)=1024GB，其中1024=2^10 ( 2 的10次方)

　　

　　注意：MiB和MB，KiB和KB等的区别：

　　1KiB(kilobyte)=1024byte

　　1KB(kibibyte)=1000byte

　　1MiB(megabyte)=1048576byte

　　1MB(mebibyte)=1000000byte

　　这是因为硬盘生产商是以GB（十进制，即10的3次方=1000，如1MB=1000KB）计算的，而电脑（操作系统）是以GiB(2进制，即2的 10次方，如1MiB=1024KB）计算的，但是国内用户一般理解为1MB=1024 KB, 所以为了便于中文化的理解，翻译MiB为MB 也是可以的。

　　注：10TB大约等于一个人脑的存储量。

 

字

　　在计算机中，一串数码作为一个整体来处理或运算的，称为一个计算机字，简称字。字通常分为若干个字节(每个字节一般是8位)。在存储器中，通常每个单元存储一个字，因此每个字都是可以寻址的。字的长度用位数来表示。

　　在计算机的运算器、控制器中，通常都是以字为单位进行传送的。字出现在不同的地址其含义是不相同。例如，送往控制器去的字是指令，而送往运算器去的字就是一个数。

 

字长

　　计算机的每个字所包含的位数称为字长。根据计算机的不同，字长有固定的和可变的两种。固定字长，即字长度不论什么情况都是固定不变的；可变字长，则在一定范围内，其长度是可变的。

　　计算的字长是指它一次可处理的二进制数字的数目。计算机处理数据的速率，自然和它一次能加工的位数以及进行运算的快慢有关。如果一台计算机的字长是另一台计算机的两倍，即使两台计算机的速度相同，在相同的时间内，前者能做的工作是后者的两倍。

　一般地，大型计算机的字长为32―64位，小型计算机为12―32位，而微型计算机为4一16位。字长是衡量计算机性能的一个重要因素。

 

字节

　　字节是指一小组相邻的二进制数码。通常是8位作为一个字节。它是构成信息的一个小单位，并作为一个整体来参加操作，比字小，是构成字的单位。

　　在微型计算机中，通常用多少字节来表示存储器的存储容量。

　　例如，在C++的数据类型表示中，通常 char为1个字节，int为4个字节，double为8个字节。

　　理解编码的关键，是要把字符的概念和字节的概念理解准确。这两个概念容易混淆，我们在此做一下区分：

　　概念描述 举例

　　字符 人们使用的记号，抽象意义上的一个符号。 '1', '中', 'a', '$', '￥', ……

　　字节 计算机中存储数据的单元，一个8位的二进制数，是一个很具体的存储空间。0x01, 0x45, 0xFA, ……

 

字符串

　　在内存中，如果“字符”是以ANSI编码形式存在的，一个字符可能使用一个字节或多个字节来表示，那么我们称这种字符串为 ANSI 字符串或者多字节字符串。如，"中文123" （占8字节，包括一个隐藏的\0）

 

字符集和代码页

　　对于ANSI编码方式，存在不同的字符集（Charset）。同样的字节序列，在不同的字符集下表示的字符不一样。要正确解析一个ANSI字符串，还要选择正确的字符集，否则就可能导致所谓的乱码现象。不同语言版本的操作系统，都有一个默认的字符集。在不指定字符集的情况下，系统会使用此字符集来解析 ANSI 字符串。也就是说，如果我们在简体中文版的Windows下打开了一个由日文操作系统保存的 ANSI 文本文件（仅包含 ANSI 字符串的文本文件），我们看到的将是乱码。但是，如果我们使用Visual Studio之类的带编码选择的文本编辑器打开此文件，并且选择正确的字符集，我们将可以看到它的原貌。注意：简体中文字符集中的繁体字和繁体中文字符集中的繁体字，编码不一定相同（事实证明，似乎是完全不同）。

　　每个字符集都有一个唯一的编号，称为代码页（Code Page）。简体中文（GB2312）的代码页为936，而系统默认字符集的代码页为0，它表示根据系统的语言设置来选择一个合适的字符集。

 

UNICODE

　　字符串 在内存中，如果“字符”是以在Unicode中的序号存在的，那么我们称这种字符串为Unicode字符串或者宽字节字符串。在Unicode中，每个字符都占两个字节。如，"中文123"（占10字节）。

　　Unicode和ANSI的区别就相当于输入法内的“全角”和“半角”的区别。

　　由于不同 ANSI 编码所规定的标准是不相同的（字符集不同），因此，对于一个给定的多字节字符串，我们必须知道它采用的是哪一种字符集则，才能够知道它包含了哪些“字符”。

 

而对于 UNICODE 字符串来说，不管在什么环境下，它所代表的“字符”内容总是不变的。Unicode 有着统一的标准，它定义了世界上绝大多数的字符的编码，使得拉丁文、数字、简体中文、繁体中文、日文等都能以同一种编码方式保存。

 

ANSI编码

　　unicode和ansi都是字符代码的一种表示形式。

　　为使计算机支持更多语言，通常使用 0x80~0xFF 范围的 2 个字节来表示 1 个字符。比如：汉字 '中' 在 中文操作系统中，使用 [0xD6,0xD0] 这两个字节存储。

　　不同的国家和地区制定了不同的标准，由此产生了 GB2312, BIG5, JIS 等各自的编码标准。这些使用 2 个字节来代表一个字符的各种汉字延伸编码方式，称为 ANSI 编码。在简体中文系统下，ANSI 编码代表 GB2312 编码，在日文操作系统下，ANSI 编码代表 JIS 编码。

　　不同 ANSI 编码之间互不兼容，当信息在国际间交流时，无法将属于两种语言的文字，存储在同一段 ANSI 编码的文本中

 

ascii

 

因为1位二进制数可以表示（2=）2种状态：0、1；而2位二进制数可以表示（2=）4种状态：00、01、10、11；依次类推，7位二进制数可以表示（2=）128种状态，每种状态都唯一地编为一个7位的二进制码，对应一个字符（或控制码），这些码可以排列成一个十进制序号0～127。所以，7位ASCⅡ码是用七位二进制数进行编码的，可以表示128个字符。

　　第0～32号及第127号（共34个）是控制字符或通讯专用字符，如控制符：LF（换行）、CR（回车）、FF（换页）、DEL（删除）、BS（退格）、BEL（振铃）等；通讯专用字符：SOH（文头）、EOT（文尾）、ACK（确认）等；

　　第33～126号（共94个）是字符，其中第48～57号为0～9十个阿拉伯数字；65～90号为26个大写英文字母，97～122号为26个小写英文字母，其余为一些标点符号、运算符号等。

　　注意：在计算机的存储单元中，一个ASCⅡ码值占一个字节（8个二进制位），其最高位（b7）用作奇偶校验位。所谓奇偶校验，是指在代码传送过程中用来检验是否出现错误的一种方法，一般分奇校验和偶校验两种。奇校验规定：正确的代码一个字节中1的个数必须是奇数，若非奇数，则在最高位b7添1；偶校验规定：正确的代码一个字节中1的个数必须是偶数，若非偶数，则在最高位b7添1。一个ASCll码由8位二进制数码组成的。其中，用于表达字符的二进制码有7个，最后一个用于检测错误，或空闲不用。