字符编码方式

　　计算机中字符的编码方式是很基础很重要的内容，本文主要介绍常用的一些编码方式，以备快速查找和复习。

1.ASCII基本字符集

　　ASCII全称American Standard Code for Information Interchange，翻译为“美国信息交换标准代码”，用一个字节（8bit）来表示计算机中的各种符号。在8bit中，最高位一直保持为0，所以一个字节能表示的符号数为2^7=128个，也就是0~127。其中0~31为控制字符，32~127为可打印字符，如此可以把所有的英文字母（包括大小写）都包含进去了。
　　ASCII码表如下所示：
　　

2.ASCII扩展字符集

　　由于ASCII基本字符集只能显示英文和有限的符号，为了能够让它可以显示其它的文字符号和更多的图画符号，人们在使用一个字节的基础上保留0~127代表的意思不变，使得最高位可以为1，如此可以利用后面的128~255来表示额外的符号。
　　扩展字符集可以参考：ASCII 编码及扩展编码表

3.GB2312

　　由于一个字节的编码范围只有0~255，对于我们中文来说，怎么样都不够用，那么只有另谋出路了。首先，英文对我们也很重要，所以保持一个字节的ASCII基本字符编码不变，舍弃扩展的字符集。对于我们的汉字和汉语符号，采用两个字节来进行编码。其中，第一个字节表示的数称为“区”，第二个字节表示的数称为“位”，所以也可以称为“区位码”。我们首先可以根据GB2312区位表来查询某个汉字的区位码，比如“啊”的区位码即1601。如下图所示：
　　
　　该区位码转换成16进制就是0x10,0x01。而ASCII基本字符集占用了十六进制的0x00~0x7f。因此，计算机收到0x10,0x01时就不知道到底该表示为汉字还是英文字符。为了解决这个问题，我们需要在区位码的高字节和低字节上分别加上0xA0(越过0~127)，如此，形成GB2312编码。比如，“阿”在加上0xA0后变成了0xB0,0xA1，那么这个就是汉字“啊”的GB2312编码。由GB2312区位表可计算出高字节的范围是B0~F7，低字节的范围是A1~FE。

为什么要使用十六进制？
　　我们都知道计算机中的数据都是以二进制形式存储的，之所以使用十六进制是为了程序员编程的方便。比如，定义一个变量为255的时候，我们需要写16个1，相信你也不愿意吧，然后引入十六进制后，我们可以用FF来便捷的表示，这样不是更好吗？
　　当然，你也可以使用十进制或者八进制甚至是二进制，这也就是为什么我们需要为特殊进制的数字加上特定的符号，要不然计算机程序自己也不理解了。比如：
　　//十进制
　　int x = 255;
　　//十六进制
　　int y = 0xff;
　　//八进制
　　 int z = 0377;
　　 //二进制
　　 int a = 0b1111_1111;

　　GB2312共收录6763个汉字，其中一级汉字3755个，二级汉字3008个；同时，GB2312收录了包括拉丁字母、希腊字母、日文平假名及片假名字母、俄语西里尔字母在内的682个全角字符。

4.GBK

　　我们国家的汉字远远不止7000个，为了能更多的显示汉字，我们又扩展了GB2312。因为ASCII的表示中，一个字节的最高位都为0（表示未定义）。我们现在有如下的规定，当计算机碰到的第一个字节，如果它的最高位为1，那么当前字节和下一个字节这两个字节就用来表示一个汉字；如果碰到的第一个字节最高位为0，还是使用ASCII（即，一字节兼容ASCII）。由此，我们可以大大地增加两个字节表示汉字的使用效率。由GBK编码表可知编码范围为8140~FEFE。剔除xx7F码位（空白），共23940个码位。共收录汉字和图形符号21886个，其中汉字（包括部首和构件）21003个，图形符号883个。

5.GB18030

　　汉字的问题是解决了，然后我国有那么多民族，那么多语言文字，也该为少数民族使用计算机考虑一下吧。因此，出现了一种变长编码方式，就是用不同的字节来对不同的文字符号进行编码，这个有点类似UTF-8，可以下本文的下面看到。

6.BIG5和JIS

　　BIG5是台湾地区用来表示汉字的编码方式，JIS是日本用来表示他们文字的编码方式，这两种也是采用两个字节来表示一个文字符号，但是这里要说的是接下来的问题。比如，在GB18030中用来表示“好”的字节编码在BIG5和JIS中却表示不同的符号，所以相同的文件在不同的编码方式下会出现乱码的问题。

7.Unicode

　　国际标准化组织ISO为了开发出一套能表示世界上所有文字符号的方案提出了UCS，全称Universal Multiple-Octet Coded Character Set。这一大串英文简称UCS，俗称Unicode，所以UCS和Unicode指的是同一个东西。Unicode规定，所有的文字符号都用两个字节来表示，即UCS-2。然而，两个字节可能还是不够全世界用的，因为两个字节总共才65536，我们汉字加起来就可能全用完了。所以，后来又有了UCS-4，没错，就是用四个字节来对全世界的文字符号进行编码，这下总算是够了。这样世界上每个文字符号在这种编码方式下都有了自己的ID号，从此成功地解决了乱码的问题。但是，英文符号只需要一个字节就可以表示，所以用来表示英文的Unicode码的高字节一直是0，造成了浪费。

8.UTF-8

　　Unicode对于英文国家来说实在是太浪费了，特别是在网络传输和数据保存上，因此出现了UTF-8编码规则。UTF-8是一种变长编码方式，可以使用1~4个字节来表示某一符号，不同的符号对应的UTF-8编码可能不是等长字节的。为什么要这样做呢？当然是为了减少前面说的浪费行为。
　　编码规则：
　　1.对于单字节符号，字节的首位必须为0，剩余的7位为该符号的ASCII码，其实这主要就是针对ASCII基本字符集。所以对于ASCII基本字符集而言，UTF-8编码和ASCII编码完全一样。
　　2.对于n个字节的符号(n>1)，第一个字节的前n位为1，第n+1位为0，这样就便于让计算机知道该符号是用几个字节表示的，后面n-1个字节的前两位都是10，然后这n个字节中剩下的位用来存放该符号的Unicode码。
　　UTF-8编码规则表：

Tables	Are
1	0xxxxxxx
2	110xxxxx,10xxxxxx
3	1110xxxx,10xxxxxx,10xxxxxx
4	11110xxx,10xxxxxx,10xxxxxx,10xxxxxx

　　UTF-8编码示例：
　　我们使用Unicode编码查询工具查询汉字“东”的Unicode编码为4E1C，转换为二进制为0100,1110,0001,1100。根据上述UTF-8的编码规则，我们需要十六位来存放这个汉字的二进制数据，因此，选用3个字节存储。将字符编码填进去：
　　1110xxxx,10xxxxxx,10xxxxxx
　　0100 ,111000 ,011100
　　11100100,10111000,10011100
　　最终转换为十六进制为E4B89C，这就是汉字“东”的UTF-8编码。

总结

　　后续会增加新的内容以及更改错误的内容。