基本名词
编码 是信息从一种形式或格式转换成另一种形式的过程。 解码 是编码的逆过程
以上是维基百科上对编码与解码的解释,可以说这是一个通俗的解释,但是这个地方要是放在计算机编码上可以说是有些歧义。
编码(Encoding)专门是指从字符转变成字节(位元组),解码(Decoding)则是从字节(位元组)转换成字符(此句话存疑,因为Base64是字符到字符的编码,但是Base64是否算作是我们所讲的编码, 这点待定。)
感觉改成上述的应该会比较准确, 以上是作为动词说明的, 作为名词就代表着一个具体的实现方式,比如 ASCII编码, GBK编码 等等
字符集 多个字符的集合(Unicode字符集, ASCII 字符集, GBK字符集。。。)
字符编码 按照何种规则存储字符
下图说明了字符集和字符编码的关系
拉丁字母 也叫罗马字母,是当今世界上使用最广的字母系统,基本的拉丁字母就是我们见到的ABCD等26个字母, 原先是欧洲那边使用, 后来扩展到美洲等地。总的来说,现在欧洲多数国家,美洲,澳洲,非洲多数国家都是用的拉丁字母,其中欧洲很多国家,是对已有的26个基本的拉丁字母加上连字,变音字符,转换成衍生拉丁字母,但是还是属于拉丁字母
码元(编码单元)能用于处理或交换编码文本的最小比特组合, 编码后的最小单位
字符 是指字母,数字,标点, 表意文字,符号,或者其他文本形式的书写“原子”
抽象字符 抽象字符就是抽象的字符,像a这样的字符是有形的, 但是在计算机中, 有很多的字符都是空白的, 甚至是不可打印的。比如ASCII中的NULL,就是一个抽象字符
ps: \x00, \000, NULL, 0 这些写法都只是这个抽象字符的某种表现形式, 而不是这个抽象字符本身
现代编码模型
在现代编码模型里面要知道一个字符如何映射成计算机里面的比特, 需要经过如下几个步骤
知道一个系统需要支持哪些字符, 这些字符的集合被称为字符集(character repertoire), 正式名称叫抽象字符集(Abstract Character Repertoire)ACR 它具有无序性 –这个字符集同python中的set类似
给字符表里的抽象字符编上一个数字(这个数字称作码位(Code Point)), 也就是字符集合到一个整数集合的映射。这种映射称为编码字符集(CCS: Coded Character Set)unicode属于这一层的概念, unicode跟计算机里面的进制没有任何关系, 它是完全字符抽象的 –跟python中的dict类似 (key是字符, value是码位)
- 这里有一个问题, 既然CCS已经将字符转成整数了, 为什么不将这个整数直接存储到计算机的内存或者硬盘里面?
因为CCS比如Unicode , 是一个开放的字符集, 未来可能有更多的符号加入, 这个可能是无限的。但是计算机整形能表