字符编码有什么（字符编码原理 ASCII，Unicode和UTF8 ITeye技术网站）
字符编码笔记：ASCII ，Unicode和UTF-8
作者：阮一峰
今天中午 ，我突然想搞清楚Unicode和UTF-8之间的关系 ，于是就开始在网上查资料 。
结果 ，这个问题比我想象的复杂 ，从午饭后一直看到晚上9点 ，才算初步搞清楚 。
下面就是我的笔记 ，主要用来整理自己的思路 。但是 ，我尽量试图写得通俗易懂 ，希望能对其他朋友有用 。毕竟 ，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 。
1. ASCII码
我们知道 ，在计算机内部 ，所有的信息最终都表示为一个二进制的字符串 。每一个二进制位（bit）有0和1两种状态 ，因此八个二进制位就可以组合出256种状态 ，这被称为一个字节（byte） 。也就是说 ，一个字节一共可以用来表示256种不同的状态 ，每一个状态对应一个符号 ，就是256个符号 ，从0000000到11111111 。
上个世纪60年代 ，美国制定了一套字符编码 ，对英语字符与二进制位之间的关系 ，做了统一规定 。这被称为ASCII码 ，一直沿用至今 。
ASCII码一共规定了128个字符的编码 ，比如空格“SPACE ”是32（二进制00100000） ，大写的字母A是65（二进制01000001） 。这128个符号（包括32个不能打印出来的控制符号） ，只占用了一个字节的后面7位 ，最前面的1位统一规定为0 。
2 、非ASCII编码
英语用128个符号编码就够了 ，但是用来表示其他语言 ，128个符号是不够的 。比如 ，在法语中 ，字母上方有注音符号 ，它就无法用ASCII码表示 。于是 ，一些欧洲国家就决定 ，利用字节中闲置的最高位编入新的符号 。比如 ，法语中的é的编码为130（二进制10000010） 。这样一来 ，这些欧洲国家使用的编码体系 ，可以表示最多256个符号 。
但是 ，这里又出现了新的问题 。不同的国家有不同的字母 ，因此 ，哪怕它们都使用256个符号的编码方式 ，代表的字母却不一样 。比如 ，130在法语编码中代表了é ，在希伯来语编码中却代表了字母Gimel (ג) ，在俄语编码中又会代表另一个符号 。但是不管怎样 ，所有这些编码方式中 ，0—127表示的符号是一样的 ，不一样的只是128—255的这一段 。
至于亚洲国家的文字 ，使用的符号就更多了 ，汉字就多达10万左右 。一个字节只能表示256种符号 ，肯定是不够的 ，就必须使用多个字节表达一个符号 。比如 ，简体中文常见的编码方式是GB2312 ，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 。
中文编码的问题需要专文讨论 ，这篇笔记不涉及 。这里只指出 ，虽然都是用多个字节表示一个符号 ，但是GB类的汉字编码与后文的Unicode和UTF-8是毫无关系的 。
3.Unicode
正如上一节所说 ，世界上存在着多种编码方式 ，同一个二进制数字可以被解释成不同的符号 。因此 ，要想打开一个文本文件 ，就必须知道它的编码方式 ，否则用错误的编码方式解读 ，就会出现乱码 。为什么电子邮件常常出现乱码？就是因为发信人和收信人使用的编码方式不一样 。
可以想象 ，如果有一种编码 ，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 。这就是Unicode ，就像它的名字都表示的 ，这是一种所有符号的编码 。
Unicode当然是一个很大的集合 ，现在的规模可以容纳100多万个符号 。每个符号的编码都不一样 ，比如 ，U+0639表示阿拉伯字母Ain ，U+0041表示英语的大写字母A ，U+4E25表示汉字“严 ” 。具体的符号对应表 ，可以查询unicode.org ，或者专门的汉字对应表 。
4. Unicode的问题
需要注意的是 ，Unicode只是一个符号集 ，它只规定了符号的二进制代码 ，却没有规定这个二进制代码应该如何存储 。
比如 ，汉字“严 ”的unicode是十六进制数4E25 ，转换成二进制数足足有15位（100111000100101） ，也就是说这个符号的表示至少需要2个字节 。表示其他更大的符号 ，可能需要3个字节或者4个字节 ，甚至更多 。
这里就有两个严重的问题 ，第一个问题是 ，如何才能区别unicode和ascii？计算机怎么知道三个字节表示一个符号 ，而不是分别表示三个符号呢？第二个问题是 ，我们已经知道 ，英文字母只用一个字节表示就够了 ，如果unicode统一规定 ，每个符号用三个或四个字节表示 ，那么每个英文字母前都必然有二到三个字节是0 ，这对于存储来说是极大的浪费 ，文本文件的大小会因此大出二三倍 ，这是无法接受的 。
它们造成的结果是：1）出现了unicode的多种存储方式 ，也就是说有许多种不同的二进制格式 ，可以用来表示unicode 。2）unicode在很长一段时间内无法推广 ，直到互联网的出现 。
5.UTF-8
互联网的普及 ，强烈要求出现一种统一的编码方式 。UTF-8就是在互联网上使用最广的一种unicode的实现方式 。其他实现方式还包括UTF-16和UTF-32 ，不过在互联网上基本不用 。重复一遍 ，这里的关系是 ，UTF-8是Unicode的实现方式之一 。
UTF-8最大的一个特点 ，就是它是一种变长的编码方式 。它可以使用1~4个字节表示一个符号 ，根据不同的符号而变化字节长度 。
UTF-8的编码规则很简单 ，只有二条：
1）对于单字节的符号 ，字节的第一位设为0 ，后面7位为这个符号的unicode码 。因此对于英语字母 ，UTF-8编码和ASCII码是相同的 。
2）对于n字节的符号（n>1） ，第一个字节的前n位都设为1 ，第n+1位设为0 ，后面字节的前两位一律设为10 。剩下的没有提及的二进制位 ，全部为这个符号的unicode码 。
下表总结了编码规则 ，字母x表示可用编码的位 。
Unicode符号范围 | UTF-8编码方式
(十六进制) | （二进制）
--------------------+---------------------------------------------
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下面 ，还是以汉字“严 ”为例 ，演示如何实现UTF-8编码 。
已知“严 ”的unicode是4E25（100111000100101） ，根据上表 ，可以发现4E25处在第三行的范围内（0000 0800-0000 FFFF） ，因此“严 ”的UTF-8编码需要三个字节 ，即格式是“1110xxxx 10xxxxxx 10xxxxxx ” 。然后 ，从“严 ”的最后一个二进制位开始 ，依次从后向前填入格式中的x ，多出的位补0 。这样就得到了 ，“严 ”的UTF-8编码是“11100100 10111000 10100101 ” ，转换成十六进制就是E4B8A5 。
6. Unicode与UTF-8之间的转换
通过上一节的例子 ，可以看到“严 ”的Unicode码是4E25 ，UTF-8编码是E4B8A5 ，两者是不一样的 。它们之间的转换可以通过程序实现 。
在Windows平台下 ，有一个最简单的转化方法 ，就是使用内置的记事本小程序Notepad.exe 。打开文件后 ，点击“文件 ”菜单中的“另存为 ”命令 ，会跳出一个对话框 ，在最底部有一个“编码 ”的下拉条 。
里面有四个选项：ANSI ，Unicode ，Unicode big endian 和 UTF-8 。
1）ANSI是默认的编码方式 。对于英文文件是ASCII编码 ，对于简体中文文件是GB2312编码（只针对Windows简体中文版 ，如果是繁体中文版会采用Big5码） 。
2）Unicode编码指的是UCS-2编码方式 ，即直接用两个字节存入字符的Unicode码 。这个选项用的little endian格式 。
3）Unicode big endian编码与上一个选项相对应 。我在下一节会解释little endian和big endian的涵义 。
4）UTF-8编码 ，也就是上一节谈到的编码方法 。
选择完 ”编码方式“后 ，点击 ”保存“按钮 ，文件的编码方式就立刻转换好了 。
7. Little endian和Big endian
上一节已经提到 ，Unicode码可以采用UCS-2格式直接存储 。以汉字 ”严“为例 ，Unicode码是4E25 ，需要用两个字节存储 ，一个字节是4E ，另一个字节是25 。存储的时候 ，4E在前 ，25在后 ，就是Big endian方式；25在前 ，4E在后 ，就是Little endian方式 。
这两个古怪的名称来自英国作家斯威夫特的《格列佛游记》 。在该书中 ，小人国里爆发了内战 ，战争起因是人们争论 ，吃鸡蛋时究竟是从大头(Big-Endian)敲开还是从小头(Little-Endian)敲开 。为了这件事情 ，前后爆发了六次战争 ，一个皇帝送了命 ，另一个皇帝丢了王位 。
因此 ，第一个字节在前 ，就是 ”大头方式“（Big endian） ，第二个字节在前就是 ”小头方式“（Little endian） 。
那么很自然的 ，就会出现一个问题：计算机怎么知道某一个文件到底采用哪一种方式编码？
Unicode规范中定义 ，每一个文件的最前面分别加入一个表示编码顺序的字符 ，这个字符的名字叫做 ”零宽度非换行空格“（ZERO WIDTH NO-BREAK SPACE） ，用FEFF表示 。这正好是两个字节 ，而且FF比FE大1 。
如果一个文本文件的头两个字节是FE FF ，就表示该文件采用大头方式；如果头两个字节是FF FE ，就表示该文件采用小头方式 。
8. 实例
下面 ，举一个实例 。
打开 ”记事本“程序Notepad.exe ，新建一个文本文件 ，内容就是一个 ”严“字 ，依次采用ANSI ，Unicode ，Unicode big endian 和 UTF-8编码方式保存 。
然后 ，用文本编辑软件UltraEdit中的 ”十六进制功能“ ，观察该文件的内部编码方式 。
1）ANSI：文件的编码就是两个字节“D1 CF ” ，这正是“严 ”的GB2312编码 ，这也暗示GB2312是采用大头方式存储的 。
2）Unicode：编码是四个字节“FF FE 25 4E ” ，其中“FF FE ”表明是小头方式存储 ，真正的编码是4E25 。
3）Unicode big endian：编码是四个字节“FE FF 4E 25 ” ，其中“FE FF ”表明是大头方式存储 。
4）UTF-8：编码是六个字节“EF BB BF E4 B8 A5 ” ，前三个字节“EF BB BF ”表示这是UTF-8编码 ，后三个“E4B8A5 ”就是“严 ”的具体编码 ，它的存储顺序与编码顺序是一致的 。
9. 延伸阅读
*The Absolute Minimum Every Software Developer Absolutely, Positively Must Know About Unicode and Character Sets（关于字符集的最基本知识）
*谈谈Unicode编码
*RFC3629：UTF-8, a transformation format of ISO 10646（如果实现UTF-8的规定）
原文链接：http://www.ruanyifeng.com/blog/2007/10/ascii_unicode_and_utf-8.html
Unicode符号范围 | UTF-8编码方式
(十六进制) | （二进制）
--------------------+---------------------------------------------
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创心域SEO版权声明：以上内容作者已申请原创保护，未经允许不得转载，侵权必究！授权事宜、对本内容有异议或投诉，敬请联系网站管理员，我们将尽快回复您，谢谢合作！