对于bit、ASCII码、Unicode码、UTF-8、str、bytes的理解

对于bit、ASCII码、Unicode码、UTF-8、str、bytes的理解

编码历史介绍

在计算机历史的早期，美国为代表的英语系国家主导了整个计算机行业，26个英文字母组成了多样的英语单词、语句、文章。因此，最早的字符编码规范是ASCII码，一种8位即1个字节的编码规范，它可以涵盖整个英语系的编码需要。

以ASCII编码为例，它规定1个字节8个比特位代表1个字符的编码，也就是“00000000”这么宽，一个一个字节的解读。

后来，计算机得到普及，中文、日文、韩文等等国家的文字需要在计算机内表示，ASCII的255位远远不够，于是标准组织制定出了叫做Unicode的万国码，它规定任何一个字符（不管哪国的）至少以2个字节表示，可以更多。其中，英文字母就是用2个字节，而汉字是3个字节。

这个编码虽然很好，满足了所有人的要求，但是它不兼容ASCII，同时还占用较多的空间和内存。因为，在计算机世界更多的字符是英文字母，明明可以1个字节就能够表示，非要用2个。

于是UTF-8编码应运而生，它规定英文字母系列用1个字节表示，汉字用3个字节表示等等。因此，它兼容ASCII，可以解码早期的文档。UTF-8很快就得到了广泛的应用。（现在大部分都是utf-8）

在编码的发展历程中，我国还创造了自己的编码方式，例如GBK，GB2312，BIG5。他们只局限于在国内使用，不被国外认可。在GBK编码中，中文汉字占2个字节。

以上单词的名称

• bit ，代表一位二进制数，8个bit代表一个字节
• ASCII ，以8位二进制数的一种集合体，表示英文状态下的各种符合
• Unicode ， 也叫万国码，是一种至少以2个字节组成的一种编码方式 ，其中汉字编码占3个字节。
• UTF-8 ，是Unicode字符的实现方式之一，它使用1-4个字符表示一个符号，根据不同的符号而变化字节长度。
• str、bytes , 二者都表示字符串，其中bytes是Python3新增，为不可变字符串，str是可变字符串。

以上各种名称的理解

• bit , 计算机存储的最小单元，叫比特。

• ASCII码是早期西方世界对于英文字符的一次编码集合，Unicode码可以是做是ASCII码的进化版本。

• 而像编程语言中提到的UTF-8、GB2312 、GBK 等，都是Unicode码的一种编码格式，保证了Unicode码可以被文本解读，展示为相对应的数据。

• UTF-8里对于二进制数该表示为什么数据的规则：

  • 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。
  • 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。