ASCII

我們知道，計(jì)算機(jī)內(nèi)部，所有信息最終都是一個(gè)二進(jìn)制值。每一個(gè)二進(jìn)制位（bit）有 0 和 1 兩種狀態(tài)，因此八個(gè)二進(jìn)制位就可以組合出 256 種狀態(tài)，這被稱為一個(gè)字節(jié)（byte）。也就是說，一個(gè)字節(jié)一共可以用來表示 256 種不同的狀態(tài)，每一個(gè)狀態(tài)對(duì)應(yīng)一個(gè)符號(hào)，就是 256 個(gè)符號(hào)，從 00000000 到 11111111。

上個(gè)世紀(jì) 60 年代，美國(guó)制定了一套字符編碼，對(duì)英語字符與二進(jìn)制位之間的關(guān)系，做了統(tǒng)一規(guī)定。這被稱為 ASCII 碼，一直沿用至今。

ASCII 碼一共規(guī)定了128個(gè)字符的編碼，比如空格 SPACE 是 32（二進(jìn)制00100000），大寫的字母 A 是 65（二進(jìn)制01000001）。這 128 個(gè)符號(hào)（包括 32 個(gè)不能打印出來的控制符號(hào)），只占用了一個(gè)字節(jié)的后面 7 位，最前面的一位統(tǒng)一規(guī)定為 0。

非 ASCII 編碼

英語用 128 個(gè)符號(hào)編碼就夠了，但是用來表示其他語言，128 個(gè)符號(hào)是不夠的。比如，在法語中，字母上方有注音符號(hào)，它就無法用 ASCII 碼表示。于是，一些歐洲國(guó)家就決定，利用字節(jié)中閑置的最高位編入新的符號(hào)。比如，法語中的 é 的編碼為 130（二進(jìn)制10000010）。這樣一來，這些歐洲國(guó)家使用的編碼體系，可以表示最多 256 個(gè)符號(hào)。

但是，這里又出現(xiàn)了新的問題。不同的國(guó)家有不同的字母，因此，哪怕它們都使用 256 個(gè)符號(hào)的編碼方式，代表的字母卻不一樣。比如，130 在法語編碼中代表了 é，在希伯來語編碼中卻代表了字母 Gimel (?)，在俄語編碼中又會(huì)代表另一個(gè)符號(hào)。但是不管怎樣，所有這些編碼方式中，0--127表示的符號(hào)是一樣的，不一樣的只是128--255的這一段。

至于亞洲國(guó)家的文字，使用的符號(hào)就更多了，漢字就多達(dá)10萬左右。一個(gè)字節(jié)只能表示256種符號(hào)，肯定是不夠的，就必須使用多個(gè)字節(jié)表達(dá)一個(gè)符號(hào)。比如，簡(jiǎn)體中文常見的編碼方式是 GB2312，使用兩個(gè)字節(jié)表示一個(gè)漢字，所以理論上最多可以表示 256 x 256 = 65536 個(gè)符號(hào)。

Unicode

正如上一節(jié)所說，世界上存在著多種編碼方式，同一個(gè)二進(jìn)制數(shù)字可以被解釋成不同的符號(hào)。因此，要想打開一個(gè)文本文件，就必須知道它的編碼方式，否則用錯(cuò)誤的編碼方式解讀，就會(huì)出現(xiàn)亂碼。為什么電子郵件常常出現(xiàn)亂碼？就是因?yàn)榘l(fā)信人和收信人使用的編碼方式不一樣。

可以想象，如果有一種編碼，將世界上所有的符號(hào)都納入其中。每一個(gè)符號(hào)都給予一個(gè)獨(dú)一無二的編碼，那么亂碼問題就會(huì)消失。這就是 Unicode，就像它的名字都表示的，這是一種所有符號(hào)的編碼。

Unicode 當(dāng)然是一個(gè)很大的集合，現(xiàn)在的規(guī)?？梢匀菁{100多萬個(gè)符號(hào)。每個(gè)符號(hào)的編碼都不一樣，比如，U+0639表示阿拉伯字母Ain，U+0041表示英語的大寫字母A，U+4E25表示漢字嚴(yán)。具體的符號(hào)對(duì)應(yīng)表可以查詢?unicode.org，或者專門的漢字對(duì)應(yīng)表。

Unicode 的問題

需要注意的是，Unicode 只是一個(gè)符號(hào)集，它只規(guī)定了符號(hào)的二進(jìn)制代碼，卻沒有規(guī)定這個(gè)二進(jìn)制代碼應(yīng)該如何存儲(chǔ)。

比如，漢字?嚴(yán)?的 Unicode 是十六進(jìn)制數(shù) 4E25，轉(zhuǎn)換成二進(jìn)制數(shù)足足有 15 位（100111000100101），也就是說，這個(gè)符號(hào)的表示至少需要2個(gè)字節(jié)。表示其他更大的符號(hào)，可能需要3個(gè)字節(jié)或者4個(gè)字節(jié)，甚至更多。

這里就有兩個(gè)嚴(yán)重的問題:

• 第一個(gè)問題是，如何才能區(qū)別 Unicode 和 ASCII ？計(jì)算機(jī)怎么知道三個(gè)字節(jié)表示一個(gè)符號(hào)，而不是分別表示三個(gè)符號(hào)呢？
• 第二個(gè)問題是，我們已經(jīng)知道，英文字母只用一個(gè)字節(jié)表示就夠了，如果 Unicode 統(tǒng)一規(guī)定，每個(gè)符號(hào)用三個(gè)或四個(gè)字節(jié)表示，那么每個(gè)英文字母前都必然有二到三個(gè)字節(jié)是0，這對(duì)于存儲(chǔ)來說是極大的浪費(fèi)，文本文件的大小會(huì)因此大出二三倍，這是無法接受的。

它們?cè)斐傻慕Y(jié)果是：

出現(xiàn)了 Unicode 的多種存儲(chǔ)方式，也就是說有許多種不同的二進(jìn)制格式，可以用來表示 Unicode。

Unicode 在很長(zhǎng)一段時(shí)間內(nèi)無法推廣，直到互聯(lián)網(wǎng)的出現(xiàn)。

UTF-8

互聯(lián)網(wǎng)的普及，強(qiáng)烈要求出現(xiàn)一種統(tǒng)一的編碼方式。UTF-8 就是在互聯(lián)網(wǎng)上使用最廣的一種 Unicode 的實(shí)現(xiàn)方式。其他實(shí)現(xiàn)方式還包括 UTF-16（字符用兩個(gè)字節(jié)或四個(gè)字節(jié)表示）和 UTF-32（字符用四個(gè)字節(jié)表示），不過在互聯(lián)網(wǎng)上基本不用。重復(fù)一遍，這里的關(guān)系是，UTF-8 是 Unicode 的實(shí)現(xiàn)方式之一。

UTF-8 最大的一個(gè)特點(diǎn)，就是它是一種變長(zhǎng)的編碼方式。它可以使用 1~4 個(gè)字節(jié)表示一個(gè)符號(hào)，根據(jù)不同的符號(hào)而變化字節(jié)長(zhǎng)度。

UTF-8 的編碼規(guī)則很簡(jiǎn)單，只有二條：

對(duì)于單字節(jié)的符號(hào)，字節(jié)的第一位設(shè)為0，后面7位為這個(gè)符號(hào)的 Unicode 碼。因此對(duì)于英語字母，UTF-8 編碼和 ASCII 碼是相同的。

對(duì)于n字節(jié)的符號(hào)（n > 1），第一個(gè)字節(jié)的前n位都設(shè)為1，第n + 1位設(shè)為0，后面字節(jié)的前兩位一律設(shè)為10。剩下的沒有提及的二進(jìn)制位，全部為這個(gè)符號(hào)的 Unicode 碼。

下表總結(jié)了編碼規(guī)則，字母x表示可用編碼的位。

Unicode符號(hào)范圍 | UTF-8編碼方式 (十六進(jìn)制) | （二進(jìn)制） ----------------------+--------------------------------------------- 0000 0000-0000 007F | 0xxxxxxx 0000 0080-0000 07FF | 110xxxxx 10xxxxxx 0000 0800-0000 FFFF | 1110xxxx 10xxxxxx 10xxxxxx 0001 0000-0010 FFFF | 11110xxx 10xxxxxx 10xxxxxx 10xxxxxx

根據(jù)上表，解讀 UTF-8 編碼非常簡(jiǎn)單。如果一個(gè)字節(jié)的第一位是0，則這個(gè)字節(jié)單獨(dú)就是一個(gè)字符；如果第一位是1，則連續(xù)有多少個(gè)1，就表示當(dāng)前字符占用多少個(gè)字節(jié)。

下面，還是以漢字?嚴(yán)?為例，演示如何實(shí)現(xiàn) UTF-8 編碼。

嚴(yán)的 Unicode 是 4E25（100111000100101），根據(jù)上表，可以發(fā)現(xiàn) 4E25 處在第三行的范圍內(nèi)（0000 0800 - 0000 FFFF），因此嚴(yán)的 UTF-8 編碼需要三個(gè)字節(jié)，即格式是?1110xxxx 10xxxxxx 10xxxxxx。然后，從嚴(yán)的最后一個(gè)二進(jìn)制位開始，依次從后向前填入格式中的x，多出的位補(bǔ)0。這樣就得到了，嚴(yán)的 UTF-8 編碼是 11100100 10111000 10100101，轉(zhuǎn)換成十六進(jìn)制就是 E4B8A5。

通過上一節(jié)的例子，可以看到嚴(yán)的 Unicode碼是 4E25，UTF-8 編碼是 E4B8A5，兩者是不一樣的。它們之間是可以通過程序轉(zhuǎn)換的。

GBK

上面的 UTF-8 解決的是國(guó)際上字符的一種多字節(jié)編碼，它對(duì)英文使用8位（即一個(gè)字節(jié)），中文使用24位（三個(gè)字節(jié)）來編碼。而GBK編碼專門用來解決中文編碼的，是雙字節(jié)的，即 GBK 使用兩個(gè)字節(jié)來編碼中文。

在 GBK 之前有一種 GB2312 的編碼標(biāo)準(zhǔn)也是解決中文編碼的，GB2312 是最早一版的中文編碼，每個(gè)字占據(jù) 2 字節(jié)。兼容 ASCII編碼。在 GB2312 中收錄了6763個(gè)漢字以及682個(gè)特殊符號(hào)，已經(jīng)囊括了生活中最常用的所有漢字。

由于GB2312只有6763個(gè)漢字，我漢語博大精深，只有6763個(gè)字怎么夠？于是GBK中在保證不和GB2312、ASCII沖突（即兼容GB2312和ASCII）的前提下，也用每個(gè)字占據(jù) 2 字節(jié)的方式又編碼了許多漢字。經(jīng)過GBK編碼后，可以表示的漢字達(dá)到了20902個(gè)，另有984個(gè)漢語標(biāo)點(diǎn)符號(hào)、部首等。值得注意的是這20902個(gè)漢字還包含了繁體字。

參考：https://cloud.tencent.com/developer/article/1343240

總結(jié)

以上是生活随笔為你收集整理的ASCII,UTF-8,GBK编码简介的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。