文章目录
数据的表示和存储
信息的二进制编码
数据：
数值数据：无符号整数、有符号整数；浮点数；（可以在数轴上表示出来，可比较大小的）
非数值数据：逻辑数（包括01序列），字符等
计算机内部所有信息都使用二进制进行编码，原因：
- 具有两个稳定态的物理器件容易制造（电位高/低，脉冲有/无，正/负极，表示1和0）
- 二进制编码，计数，运算规则简单，也易于电路实现
- 与逻辑值真/假对应，便于逻辑运算
- 易使用逻辑电路实现二进制算术运算
真值和机器数：
- 机器数：计算机内部用0和1编码的01序列
- 真值：机器数所表示的真实的值
如 char 型变量 c 的真值为-128，其机器数为1000 0000
要确定一个数值数据的值，必须先确定三个要素：
- 进制（最基本的表示方式）
- 定、浮点表示（解决小数点问题）
- 编码方式（解决正负号问题）
进制：
十进制，二进制，八进制，十六进制
定/浮点表示：
计算机中并没有小数点的直接表示，只能约定小数点的位置，
由此产生定点数（定点整数、定点小数），
浮点数（可用一个定点小数和一个定点整数表示，小数点的位置用一个数值表示）
编码方式：
计算机中也没有正负号的直接表示，因此用一位二进制数表示正负，
并且使用原码、补码、反码（少见）、移码等编码方案表示真值
定点数和浮点数
定点数：小数点位置约定在固定位置
浮点数：小数点位置约定为可浮动的数
任何实数X，可以写为 X = (-1)S × M × RE，
其中，S 取值为0或1，决定 X 的符号；M 是一个二进制定点小数，称为数 X 的尾数；
E 是一个二进制定点整数，称为数 X 的阶或指数，指示尾数中的小数点位置；
R 是进制的基数（现代计算机为2，早期为4和16）；
只要表示 S、M 和 E 三个信息，就可以确定 X 的值，称为浮点数
因此浮点数也是用定点数表示的
因此数值的表示问题就是定点数的表示问题
定点数的表示
定点数的进制、小数点位置都已确定，还需要确定的是编码方式
原码：最高位为符号位，0表示正数，1表示负数，其余位表示数值
看起来像把整个编码空间平分，正负数的映射各占一半
原码的问题：
- 0的表示不唯一，0：0000 000；-0：1000 0000；
- 无法用加法实现减法，需要时时考虑符号
- 要额外考虑符号位，不利于硬件设计
- 特别当 a < b 时，实现 a - b 比较困难
从50年代开始，整数都采用补码进行表示（浮点数的尾数用原码定点小数表示）
移码(增码)：将每一个数值加上一个偏置常数（Excess/bias），或者说二进制表示的数减去偏置常数
通常编码位数为 n 时，bias 取 2n-1 或 2n-1-1(IEEE 754)
即，将所能表示的数从小到大依次映射到编码空间
移码的特性：当 bias 取 2n-1 时，移码和补码只有第一位不同
移码用来表示浮点数的阶：便于浮点数加减运算时的对阶操作（比较大小），
例：1.01×2-1 + 1.11×23，运算时，要将较小的 1.01×2-1 转换为 23 的表示
此处的阶使用移码进行存储，通过比较 0111(-1) < 1011(3)，得到指数的大小关系
补码：补码的概念基于模运算，在模运算系统中，mod 模数 的结果相同的数是等价的（同余的数等价）
负数的补码等于模数加上该数，或者将数值位按位取反再加1
正数的补码等于该数本身
即编码空间分为两部分，非负数与负数首尾相接，且 min = -max-1，因为负数部分不再表示0
减去一个数相当于加上这个数的相反数的补码
例：7 - 7 = 7 + (-7) = 0111 + 1001 = 0000
或者说逆时针减7相当于顺时针加上-7对 24 的补码9
补码的便利：统一了加操作与减操作
变形补码：使用两位作为符号位，后一个符号位可表示数据
溢出判断：
单符号位：0表示整数，1表示负数
最高有效位有进位而符号位无进位，上溢
最高有效位无进位而符号位有进位，下溢
双符号位 / 模4补码 / 变形补码：00 表示正数，11表示负数
01上溢，10下溢
C语言支持的基本数据类型
(无符号)整数和浮点数，无符号整数没有符号位，所有位都用来表示数据
int x = -1;
unsigned u = 2147483648;
printf("x=%u=%d\n",x,x);
printf("u=%u=%d",u,u);
结果为
x=4294967295=-1
u=2147483648=-2147483648
由机器码解释，x = 0xFFFF，u = 0x8000
因此 x 作无符号数解释时，x = 232-1；u 作有符号数解释时，为 -231
编译器处理常量时的默认类型
Integer Promotion：当表达式中存在无符号数与有符号数的运算时，有符号数按无符号数处理
因此，ISO C90标准的某些情况下，表达式 -2147483648 < 2147483647 的结果为0
因为 -2147483648 被当做 -2147483648u 、-(unsigned)2147483648 处理，且对无符号数取负是无效的
MSVC的报错信息（GCC可以通过）：
最终两边按照无符号数比较大小，结果为0
但如果写为 -2147483647-1 < 2147483647，等式左边就会正常解析为 int 型，得到结果为1
浮点数的表示及范围
前面说过，实数 X 表示为类似科学计数法的形式 (-1)S× M × 2E，确定S、M 和 E 即可表示一个实数
以 32 位浮点数为例，
第 0 位符号位；1~8 位表示阶码E（移码存储，偏置常数128）；9~31 位为 23 位的二进制原码小数 xxxx
约定尾数 M 的整数位始终为1（为 0 则 E 的变化范围变小了），完整的尾数为 1.xxxx，这种尾数的整数部分始终为1的形式称为规格化形式（Normalized form）
这样，最大正数 = 1.1111 1111…111 × 2127 = (1-2-24) × 2128
最小正数 = 1.1111 1111…111 × 2-128 = (1-2-24) × 2-129
由于表示正负数的 M 是相同的，符号仅由 S 位控制，所以正负数的表示范围是关于0对称的
下溢附近的值可近似表示为0
机器0：尾数 M 全零
浮点数表示范围比定点数大，但是编码个数没有变多，因此数之间更稀疏、且不均匀、不准确
IEEE754
早期计算机有各自定义的浮点数格式，因此在不同计算机之间进行程序移植时，需要考虑浮点数格式之间的转换
因此1985年IEEE制定了浮点数标准IEEE 754，现在所有通用计算机都采用该标准表示浮点数
IEEE 754 中，阶码的全0和全1用来表示特殊值，且偏置常数选择 2阶码位数-1-1，
（若选择 2阶码位数-1，以32bit为例，阶数范围为-127~126，偏置常数-1后，阶数范围为-126~127，扩大了数的表示范围）
对于单精度浮点数(single)和双精度浮点数(double)，bias分别为127，1023
single：1+8+23 = 32 bits double：1+11+52 = 64 bits
例：float型变量的机器数为 BEE00000H
1011 1110 1110 0(repeats 20) → 1 0111 1101 110(repeats 21) = -1.11×2125-127B = -111/24B = -7/16 = -0.4375
全0阶码、全1阶码表示的特殊值：
- 阶码全0，尾数全0，表示0，按符号位，分为+0、-0
- 阶码1~254，尾数任意，表示规格化数（E，[-126,127]）
- 阶码全1，尾数全0，按符号位分为±∞
所以，浮点数除以0的结果是 ±∞，而不会出现异常 - 阶码全1，尾数非0，表示NaN，非数值
- 阶码全0，尾数非0，表示非规格化数，(-1)S × 0.xxxx × 2-126，填补0与±2-126间的空白
非规格化非在，现在整数位约定为0了
很容易看出，规格化数是不均匀的，阶码全0，尾数非0表示的非规格化数是均匀的
有些十进制数是无法精确地按照这种编码方式表示的，比如61.420001，此时计算机中存储的是最接近的可表示数
非数值数据的编码表示
逻辑数据：真/假恰好映射为1/0，按照逻辑运算规则运算
西文字符：字符数量较少，常用编码为ASCII码，1个字节，略
汉字及国际字符的编码表示：数量巨大，总数超过六万
- 输入码：对汉字用相应按键进行编码表示，用于输入，比如拼音码
- 内码：用于在系统中进行存储、查找、传送等处理的01序列
- 字模点阵或轮廓描述：描述汉字字模点阵或轮廓，用于显示/打印
西文字符没有输入码，内码即ASCII码，同样有用于显示/打印的字模点阵或轮廓描述 - GB2312-80字符集
- 包括字母，数字和各种符号，包括英文、俄文、日文平假名与片假名、罗马字母，汉语拼音等共678个
- 一级常用汉字，共3755个，按汉语拼音排列
- 二级常用汉字，共3008个，较少使用，按偏旁部首排列
- 汉字的区位码
- GB2312-80编码表由94行、94列组成，行号为区号，列号为位号，各占7位
- 区位号确定汉字在码表中的位置，共14位，区号在左，位号在右
- 汉字的国标码
- 每个汉字的区号位号各自加上32(20H)，及该字的国标码
- 为方便处理，在区号，位号前各加一位0，构成一个字节
- 在GB2312国标码基础上产生的汉字内码
- 每个汉字占两个字节（因为字符集规模，一个字节不够）
- 为与ASCII码区别，将国标码的每个字节的第一位置1，得到一种汉字内码（汉字内码有很多种方案）
如上图中的字符代码
多媒体信息的表示
图形、图像、音频、视频等信息在机器内部也用0和1表示
只不过多媒体信息用复杂的数据结构描述或编码方式编码，本质上都是01序列
数据宽度和存储容量单位
数据的基本宽度
比特（bit，位）：是计算机中处理、存储、传输信息的最小单位
字节（byte）：二进制信息最基本的计量单位；
现代计算机中，存储器按字节编址；
字节是最小的可寻址单位；
若以字节为一个排列单位，LSB标识最低有效字节，MSB标识最高有效字节
字（word）：表示被处理信息的单位，用来度量数据类型的宽度；
两个字称为双字（DWORD），同理还有QWORD
字长：字的位数称为字长，指数据通路的宽度；
字长等于CPU内部总线宽度、运算器的位数、通用寄存器的宽度，即计算机能直接处理的二进制数据的位数；
字长概念还可以细分为：
- 机器字长：即一般提到的字长概念，也是CPU单次可以处理的最大数据长度
- 指令字长：一个指令字中包含的二进制代码的位数
- 存储字长：一个存储单元存储二进制代码的长度
字和字长的宽度可以一样，也可以不同
如x86体系结构，字的宽度都是16位，而IA-32（Intel Architecture 32-bit）的字长为32位；AMD64架构的字长为64位；
对于MIPS 32体系结构，字与字长都是32位；
数据通路：指CPU内部数据流经的路径及路径上的部件，主要是CPU内部进行数据运算、存储和传输的部件，这些部件的宽度基本上要一致，才能相互匹配；
数据量的度量单位
经常使用的容量单位有B(Byte)、KB、MB、GB、TB，其间换算大小为1024
通信中的带宽使用的单位有：
千比特/秒 kb/s、兆比特/秒 Mb/s、千兆比特/秒 Gb/s、兆兆比特/秒 Tb/s，其间换算大小为1000
同理，千字节/秒 KBps，兆字节/秒 MBps
数据类型宽度
- 不同机器上同一数据类型的宽度可能不同
- 为不同数据类型分配的字节数随ISA（指令体系结构）、机器字长和编译器的不同而不同
数据的存储和排列顺序
有 int a = 10，a 在计算机中的表示是 0x 00 00 00 0A，占四个字节
假设 &a 得到结果0x00004725，
这个地址是变量 a 所占空间的起始位置，及 a 存放在 0x00004725 ~ 0x00004728，
那么从 0x00004725 ~ 0x00004728，数据存放的顺序是00 00 00 0A 还是 0A 00 00 00呢？
这两种顺序就是以下两种存储方式
| 数据 | 00 | 00 | 00 | 0A |
|---|---|---|---|---|
| 大端方式 | 4725 | 4726 | 4727 | 4728 |
| 小端方式 | 4728 | 4727 | 4726 | 4725 |
| 有效字节 | MSB (最高有效字节) | LSB (最低有效字节) |
小端：低位放在低字节 (x86架构)
大端：低位放在高字节 (MIPS、IBM 360/370等)
C语言 union 的存放顺序是所有成员从低地址开始，利用该特性来检测CPU的大/小端方式
int main(){
union{
int a;
char b;
}num;
num.a = 0x12345678;
if(num.b==0x78){
printf("小端 num.b=0x%x",num.b);
}else{
printf("大端 num.b=0x%x",num.b);
}
return 0;
}
下表中地址 高 → 低
| 变量a | 12 | 34 | 56 | 78 |
|---|---|---|---|---|
| 大端方式 | 变量b | |||
| 小端方式 | 变量b |
大/小端存储方式举例
假设某机器中，某指令的地址为1000
该指令的汇编形式为 mov AX，0x12345(BX) ，若操作码mov为40H，
寄存器 AX 和 BX 的编号分别为0001B和0010B，立即数占32位
(立即寻址方式指令中给出的数称为立即数)
则按大/小端存储顺序，有下面两种情况
也就是说，只需要考虑指令中立即数的顺序
并且可以看出，在内存中，一行指令的存储是由指令地址开始按字节向高地址存放的
因此，在存放方式不同的机器间进行程序移植或者数据通信时，要注意顺序的转换
比如音、视频和图像等文件格式或处理程序都涉及到字节顺序问题，其中常见的格式如下：
小端存储：GIF，PC Paintbrush，Microsoft RTF，
大端存储：Adobe Photoshop，JPEG，Mac Paint，
2019/8/2
2020/3/5 修正规格化数的定义
1240
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
