计算机字符编码简单梳理

ASCII

ASCII ((American Standard Code for Information Interchange): 美国信息交换标准代码）是基于拉丁字母的一套电脑编码系统，主要用于显示现代英语和其西欧语言。

码表如下：

观察表可得出：

• 0-31和127是控制字符或通信专用字符，例如6号字符ACK用于计算就网络的通信
• 48-57号字符标识阿拉伯数字0-9，48-57即8为二进制数0011 0000 - 0011 1001，即后四位可看作0-9的8421码
• 65-90号字符为大写字母A-Z，8位二进制数0100 0001 - 01011010，前三位均为010，后五位为1-26的二进制数
• 97-122号字符为小写字母a-z，8位二进制数0110 0001 - 0111 1010，前三位均为011，后五位为1-26的二进制数

由此规律，若告诉大写X的二进制码为0101 1000，则直接得出小写x的二进制码为0111 1000

GB2312-80

为使中国汉字也可在计算机上表示出来，1980年国家标准局发布了GB2312-80编码

区位码

基本集共收入汉字6763个和非汉字图形字符682个。整个字符集分成94个区，每区有94个位。每个区位上只有一个字符，因此可用所在的区和位来对汉字进行编码，成为区位码。

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

可通过区位码查询自己了解一下

例如：

可得我的区位码为4650

国标码

在区位码设计时，为将ASCII码中英文数字之类包含在内，将非中文字符放在了01-09区，可问题是还有32个控制通信字符没有考虑在内

因此，将区码和位码均偏移32位，即都加上20H

那为什么区码和位码都要加20H呢，因为英文采用ASCII码，0-127个字符，即2的7次方个字符，占了7位，最高位补0，满8位位一个字节。例如我向朋友发送字符A，在机器码中则表示为0100 0001。而区位码的存在，使得表示中国汉字需要两个字节，因此，每个字节都要加上20H，给32个特殊字符让出位置

因此我的区位码4650（2E32）转化为国标码为4E52（2E+20 32+20）

机内码

在前面提到过，A占一个字节，8位二进制数为0100 0001，最高位0是一个标识，表示这是一个ASCII码

而国内码转化为二进制流后，为避免与ASCII码发生冲突，则将最高位定位1，这样1100 0001就代表着一个GB2312编码，计算机就不是将其判定为ASCII码

因此在国标码的基础上，区码和位码均加上1000 0000即80H

因此我的机内码为CED2（4E+80 52+80）

可用Python验证一下：

与我们计算的完全一致！

GBK和UTF-8

随着互联网发展，GB2312编码不能够满足中国字符的表达（中国汉字有上万个），因此在GB2312的基础上，做出了扩展，这里不做深究了。

世界上国家太多了，一个国家一套编码不太现实。这个世界从来都是有需求就有供应。这时候，为拯救你的硬盘和流量，ISO(International Organization for Standardization)国际标准组织就站出来要融合世界所有字符，经过长期的发展，形成了UTF-8编码

UTF-8编码盛行的当下，gb2312和gbk编码亦有着广泛的使用…