字符编码

参考: https://zhuanlan.zhihu.com/paogenjiudi

因为计算机只能处理二进制数字，如果要处理文本，就必须先把文本转换为二进制数字才能处理。最早的计算机在设计时采用8个比特（bit）作为一个字节（byte），所以，一个字节能表示的最大的整数就是255（二进制11111111=十进制255），如果要表示更大的整数，就必须用更多的字节。比如两个字节可以表示的最大整数是65535，4个字节可以表示的最大整数是4294967295。由于计算机是美国人发明的，因此，最早只有127个字母被编码到计算机里，也就是大小写英文字母、数字和一些符号，这个编码表被称为ASCII编码，比如大写字母A的编码是65，小写字母z的编码是122。

ASCII 字符集
所有信息在计算机内都是以二进制的形式进行存储。每一个二进制位（bit）有0和1两种状态，因此八个二进制位（即一个字节）就可以组合出256种状态，如果每一个状态对应一个符号，那么一个字节一共可以表示256个符号，从00000000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一一对应关系做了统一规定，被称为ASCII码（全称American Standard Code for Information Interchange），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，最前面的一位统一规定为0。

非ASCII字符集
英语字符用128个符号编码就足够，但是用来表示其他语言的字符，128个符号编码是不够的。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 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 256 x 256 = 65536 个符号。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。

Unicode字符集
世界上存在着多种字符编码方式，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。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，于是就有了 Unicode字符集的诞生。Unicode是由国际组织设计、可以容纳全世界所有语言文字的字符集。Unicode的学名是"Universal Multiple-Octet Coded Character Set"，简称为UCS，UCS可以看作是"Unicode Character Set"的缩写。Unicode 现在可以容纳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字符集的问题
需要注意的是，Unicode 只是一个符号集，它只规定了符号与二进制码之间的一一对应关系，却没有规定这个二进制码应该如何存储。比如，汉字“严”的Unicode码是十六进制数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。这里就会产生两个问题：

1. 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？
2. 所有的英文字符只用一个字节表示就足够，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。 

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字符集的编码方式。其他编码方式还包括 UTF-16（字符用2个字节或4个字节表示）和 UTF-32（字符用4个字节表示），不过在互联网上基本不用。UTF-8 最大的一个特点，就是它是一种变长（即字节长度可变）的编码方式，它可以使用1~4个字节表示一个字符，根据不同的符号而变化字节长度，目前最长的是4字节编码，可以往后扩展，如5字节、6字节编码等。
UTF：Unicode Transformation Format，即Unicode码转换方式（即编码方式），Unicode字符集下有三种字符编码方式的实现，每种实现方式采用了不同的码元：

• UTF-8：8-bit Unicode Transformation Format，8bit对应1个byte，采用单字节码元（BYTE）
• UTF-16：16-bit Unicode Transformation Format，16bit对应1个字word，2个byte，采用双字节码元（WORD）
• UTF-32：32-bit Unicode Transformation Format，32bit对应1个dword，2个word，4个byte，采用四字节码元（DWORD）

UTF-8的编码规则：（U+ 后面的数字代表 Unicode 字符代码）

UTF-8的编码规则：（U+ 后面的数字代表 Unicode 字符代码）
U+ 0000 ~ U+ 007F: 0XXXXXXX
U+ 0080 ~ U+ 07FF: 110XXXXX 10XXXXXX
U+ 0800 ~ U+ FFFF: 1110XXXX 10XXXXXX 10XXXXXX
U+10000 ~ U+1FFFF: 11110XXX 10XXXXXX 10XXXXXX 10XXXXXX

编码规则叙述如下：
1. 如果首字节以0开头，肯定是单字节编码；
2. 如果首字节以110开头，肯定是双字节编码；
3. 如果首字节以1110开头，肯定是三字节编码；
4. 。。。。以此类推
5. 除单字节编码外，多字节编码中除首字节之外的后续字节都以10（蓝色部分）开头，用以区别于单字节编码和多字节编码的首字节。0，110，1110，10相当于UTF-8编码中各个字节的前缀，称为前缀码，其中，前缀码110、1110、10中的0是前缀码中的终结标志。

在Unicode Technical Report (UTR统一码技术报告) #17《UNICODE CHARACTER ENCODING MODEL》中，现代字符编码模型分为了5个层次，并引入了更多的概念术语来描述：

• 第1层 抽象字符表ACR(Abstract Character Repertoire)：明确字符的范围(即确定支持哪些字符)；
• 第2层 编号字符集CCS(Coded Character Set)：用数字编号表示字符(即用数字给抽象字符表ACR中的字符进行编号，即字符编号)，如Unicode就是一种字符集；
• 第3层 字符编码方式CEF(Character Encoding Form)：将字符编号编码为逻辑上的码元序列(即逻辑字符编码，也即二进制位序列)，UTF-8、UTF-16、UTF-32是Unicode字符集的三种编码方式；
• 第4层 字符编码模式CES(Character Encoding Scheme)：将逻辑上的码元序列映射为物理上的字节序列(即物理字符编码)；
• 第5层 传输编码语法TES(Transfer Encoding Syntax)：将字节序列作进一步的适应性编码处理。

同一套ACR根据不同的编号规则可以对应多套不同的CCS；同一套CCS根据字符编号的不同存储方式又可以有多种CEF的实现。