ASCII 码|Unicode|GBK

在计算机内部，所有信息最终都是一个二进制值，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00000000到11111111。

一、ASCII 码

ASCII码是上个世纪60年代美国制定的一套字符编码，对英语字符与二进制位之间的关系，做了统一规定。
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，最前面的一位统一规定为0。
编码对照如下表所示：

二、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，汉语中常用的文字就有几千个，并且不同的国家有不同的字母和文字，即使它们都使用256个符号的编码方式，代表的字母也是不一样的。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。

三. Unicode码

随着世界各国的沟通交流不断增加，由于编码方式不同造成的解析问题日益严峻，由于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。导致如果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，就会出现乱码的现象。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。

这个时候Unicode码抱着统一世界各国的编码方式的梦想横空问世。Unicode 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。

Unicode 只是一个符号集（主要为UCS-2字符集和UTF-4字符集），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。这导致了以下问题：
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？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，这样会被接受吗？

最终造成的结果是：出现了 Unicode 的多种存储方式，并且Unicode 在很长一段时间内没有被广泛接受，直到互联网的普及。

四、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。

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。

五、Unicode 与 UTF-8 之间的转换

Windows平台，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。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。

里面选项内容有：ANSI，UTF-16LF，UTF-16BE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）UTF-16LF实际为Unicode编码，这里指的是记事本使用的 UCS-2 编码方式，即直接用两个字节存入字符的 Unicode 码，这个选项默认 little endian 格式即UTF-16LF。

3）UTF-16BE编码与上一个选项相对应。

4）UTF-8编码，也就是刚谈到的编码方法。
在对编码进行存储时，第一个字节在前就是 Big endian 方式即UTF-16BE；第一个字节在后就是 Little endian 方式即UTF-16LF

穿插内容：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。
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）。

此处解答之前的遗留问题：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。

六、GB2312及GBK编码规则

再介绍一下简体中文常见的编码方式 GB2312，使用两个字节表示一个汉字，所以理论上最多可以表示 256 x 256 = 65536 个符号。

GB2312编码是第一个汉字编码国家标准，是由中国国家标准总局1980年发布，1981年5月1日开始实施的一套国家标准，标准号是GB2312—1980。GB2312编码适用于汉字处理、汉字通信等系统之间的信息交换，通行于中国大陆；新加坡等地也采用此编码。中国大陆几乎所有的中文系统和国际化的软件都支持GB2312。GB2312编码共收录汉字6763个，其中一级汉字3755个，二级汉字3008个。同时，GB2312编码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。

GB2312编码范围：A1A1－FEFE，
其中汉字编码范围：B0A1-F7FE，
汉字编码： 第一字节0xB0-0xF7（对应区号：16－87），
第二个字节0xA1-0xFE（对应位号：01－94）。
2字节编码：高位为0xA1-0xF7，低位为0xA1-0xFE
特殊符号编码：高位为0xA1-0xA9，低位为0xA1-0xFE

GB2312编码采取分区表示方式：
GB2312编码对所收录字符进行了“分区”处理，共94个区，每区含有94个位，共8836个码位。这种表示方式也称为区位码。

01-09区收录除汉字外的682个字符
10-15区为空白区，没有使用
16-55区收录3755个一级汉字，按拼音排序
56-87区收录3008个二级汉字，按部首/笔画排序
88-94区为空白区，没有使用

举例来说，“啊”字是GB2312编码中的第一个汉字，它位于16区的01位，所以它的区位码就是1601。

双字节编码方式：
GB2312规定对收录的每个字符采用两个字节表示，第一个字节为“高字节”，对应94个区；第二个字节为“低字节”，对应94个位。所以它的区位码范围是：0101－9494。区号和位号分别加上0xA0就是GB2312编码。例如最后一个码位是9494，区号和位号分别转换成十六进制是5E5E，0x5E+0xA0＝0xFE，所以该码位的GB2312编码是FEFE。