字符集和字符编码

什么是字符集？？？

  相信很多对字符集编码不够了解的程序员经常会出现很多乱码问题，抱有很多疑惑。比如：

• 为什么会出现乱码？
• 这里用的是什么字符编码？
• 创建一个文本它是GBK编码还是UTF-8编码？
• 我应该使用GBK编码还是UTF-8编码？
• Unicode和UTF-8的区别是什么？

一、基础概念

1. 字节

  这个是最基本的概念，字节是计算存储容量的一种计量单位。我们知道计算机只能识别1和0组成的二进制位。一个数就是1位（bit），为了方便计算，我们规定8位就是一个字节。

例如 ：$00001111$ 这个8位二进制数就占了一个字节的存储容量。

2. 字符

  字符和字节不太一样，任何一个文字或符号都是一个字符，但所占字节不一定，不同的编码导致一个字符所占的内存不同。

例如：标点符号$+$是一个字符，汉字$我们$是两个字符，在GBK编码中一个汉字占2个字节，在UTF-8编码中一个汉字占3个字节。

  随着时代的发展，程序员们希望在计算机中显示字符，但计算机只能识别0和1的二进制数。于是就有了编码规范。

3. 编码规范

  所谓字符集其实是一套编码规范中的子概念，为了显示字符，国际组织就制定了编码规范，希望使用不同的二进制数来表示代表不同的字符，这样电脑就可以根据二进制数来显示其对应的字符。我们通常就称呼其为XX编码，XX字符集。

例如：GBK 编码规范，根据这套编码规范，计算机就可以在中文字符和二进制数之间相互转换。而使用GBK编码就可以使计算机显示中文字符。

  接下来为大家介绍一下编码规范里的3个子概念。

(1). 字库表

  一套编码规范不一定包含世界上所有的字符，每套编码规范都有自己的使用场景。而字库表就存储了编码规范中能显示的所有字符，计算机就是根据二进制数从字库表中找到字符然后显示给用户滴，相当于一个存储字符的数据库。

例如：几乎所有汉字都保存在GBK 编码规范的字库表中。所以可以显示汉字，但法语，俄语并不在其字库表中，所以GBK不能显示法语，俄语等不包含在其中的字符。

(2). 字符集（编码字符集）

  我们平时说的字符集全称是“编码字符集”。在一个字库表中，每一个字符都有一个对应的二进制地址，而字符集就是这些地址的集合。

例如：在ASCII码的编码字符集中，字母A的序号（地址）是65，65的二进制就是$01000001$。我们可以说编码字符集就是用来存储这些二进制数的。  而这个二进制数就是编码字符集中的一个元素，同时它也是字库表中字母A的地址。我们根据这个地址就可以显示出字母A。

**结论：**字符集和字库表一一对应，相互转换，这是电脑识别字符的关键。

(3). 字符编码（编码方式）

  知道字库表和字符集后，我们就可以直接使用二进制地址来得到字符了。

  但直接使用字符对应的二进制地址来显示文字是十分浪费的，Unicode 编码规范中包括了几百万个字符，想要包括几百万个不同的字符，起码需要3个字节的容量，为了方便将来扩展，Unicode还保留了更多未使用的空间，最多可以存储4个字节的容量。

  因此为了区分每个字符，哪怕是$00000000$ $00000000$ $00000000$ $00001111$这种其实只占了1个字节的字符，我们也要为他分配4个字节的空间，这就导致一个可以用1G保存的文件，现在需要4G才能保存，这是极其浪费的做法。

  于是程序员制定了一套算法来节省空间，而每种不同的算法都被称作一种编码方式（下文中为了便于理解都将使用编码方式来称呼字符编码）。一套编码规范可以有多种不同的编码方式，不同的编码方式有不同的适应场景。

例如：UTF-8就是一种编码方式，Unicode是一种编码规范。此外，Unicode还有UTF-16，UTF-32这两种编码方式，不同的编码方式节约的空间不同。

**总结：**一个较短的二进制数，通过一种编码方式，转换成编码字符集中正常的地址，然后在字库表中找到一个对应的字符，最终显示给用户。

二、常见编码规范简单介绍

1. ASCII码

  ASCII码，是最早产生的编码规范，一共包含$00000000$~$01111111$共128个字符，可以表示阿拉伯数字和大小写英文字母，以及一些简单的符号。可以看出ASCII码只需要1个字节的存储空间，最高位为0。后被称为（American Standard Code for Information Interchange，美国信息交换标准代码）。它没有特定的编码方式，直接使用地址对应的二进制数来表示，非要说那就叫他ASCII 编码方式。

2. GBK

  GBK全称《汉字内码扩展规范》，支持国际标准ISO/IEC10646-1和国家标准GB13000-1中的全部中日韩汉字。GBK字符集中所有字符占2个字节，不论中文英文都是2个字节。 没有特殊的编码方式，习惯称呼GBK 编码。一般在国内，汉字较多时使用。

3. ISO-8859-1

  ISO-8859-1收录的字符除ASCII收录的字符外，还包括西欧语言、希腊语、泰语、阿拉伯语、希伯来语对应的文字符号。因为ISO-8859-1编码范围使用了单字节内的所有空间，在支持ISO-8859-1的系统中传输和存储其他任何编码的字节流都不会被抛弃。换言之，把其他任何编码的字节流当作ISO-8859-1编码看待都没有问题。这是个很重要的特性，MySQL数据库默认编码是Latin1就是利用了这个特性。ASCII编码是一个7位的容器，ISO-8859-1编码是一个8位的容器。

  由此可见，ISO-8859-1只占1个字节，且MySQL数据库默认编码就是ISO-8859-1，有时，tomcat服务器默认也是使用ISO-8859-1编码，然而ISO-8859-1是不支持中文的，有时这就是在浏览器上显示乱码的原因。

4. Unicode

  从以上几种编码规范可以看出，各种编码规范互不兼容，且只能表示自己需要的字符，于是，国际标准化组织（ISO）决定制定一套全世界通用的编码规范，这就是Unicode。

  Unicode包含了全世界所有的字符。Unicode最多可以保存4个字节容量的字符。也就是说，要区分每个字符，每个字符的地址需要4个字节。这是十分浪费存储空间的，于是，程序员就设计了几种字符编码方式，比如：UTF-8,UTF-16,UTF-32。

  最广为程序员使用的就是UTF-8，UTF-8是一种变长字符编码，注意：UTF-8不是编码规范，而是编码方式。我为大家介绍一下UTF-8的编码规则。

编码规则表

Unicode	十六进制码点范围	UTF-8	二进制
0000	0000-0000	007F	0xxxxxxx
0000	0080-0000	07FF	110xxxxx 10xxxxxx
0000	0800-0000	FFFF	1110xxxx 10xxxxxx 10xxxxxx
0001	0000-0010	FFFF	11110xxx 10xxxxxx 10xxxxxx 10xxxxxx

  如上表所示，对于只需要1个字节的字符，UTF-8采用ASCII码的编码方式，最高位补0来表示。

例如：$01000001$我们就是用$01000001$来表示，对于一个字节的字符，其实就是直接使用地址表示。

  而对于n个字节的字符（n>1），即大于一个字节的字符，采用第一个字节前n位补1。第n+1位填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。

例如：汉字严的Unicode码是4E25转换成二进制就是$01001110$ $00100101$共15位，根据上表可知使用UTF-8字符编码后占3个字节，因此前3位是1，第4位（n+1位）是0，后面两个字节中每个字节的前两位都是10,即$1110$ $xxxx$ $10$ $xxxxxx$ $10xxxxxx$。填充进去后就变成了$1110$ $0100$ $10$ $111000$ $10$ $100101$共计24位占3个字节。

  由此可见，英文在UTF-8字符编码后只占1个字节，中文占了3个字节。
虽然UTF-8编码占的空间比GBK编码大，但他胜在面向全世界，至于使用哪一种编码还是取决于具体的使用环境。

三、编码与解码

1. 解码

  一串二进制数，使用一种编码方式，转换成字符，这个过程我们称之为解码。就像解开密码一样，程序员可以选用任意的编码方式进行解码，但往往只有一种编码方式可以解开密码显示出正确的文字，而使用错误的编码方式，产生其他不合理的字符，这就是我们通常说的————乱码！

2. 编码

  一串已经解码后的字符，我们也可以选用任意类型的编码方式重新转换成一串二进制数，这个过程就是编码，我们也可以称之为加密过程，无论使用哪一种编码方式进行编码，最终都是产生计算机可识别的二进制数，但如果编码规范的字库表不包含目标字符，则无法在字符集中找到对应的二进制数。这将导致不可逆的乱码！例如：像ISO-8859-1的字库表中不包含中文，因此哪怕将中文字符使用ISO-8859-1进行编码，再使用ISO-8859-1进行解码，也无法显示出正确的中文字符。

  以上，大家就能明白了，乱码就是编码和解码使用的编码方式不一致，或者编码时其字库表中不包含相应字符所导致的结果。

四、代码演示

  以Python语言为例，我们先将一串中文字符串使用UTF-8 编码方式进行编码变成字节数组，然后将字节数组打印出来。

#!/usr/bin/env python
# -*- coding:utf-8 -*-

import sys
# 定义一个unicode的字符串
unichr = u'汉'
# 使用UTF-8编码转换为字节数组
bytechr = bytearray(unichr, 'UTF-8')
# 输出字节数组
for b in bytechr:
    sys.stdout.write(str(b) + " ")
else:
    print ""

结果：

230 177 137

  从上面的结果可看出来，1个汉字变成3个字节。证明了1个汉字在UTF-8 编码方式下占3个字节。
  继续将字节数组“bytechr”，使用UTF-8编码方式进行解码。

print(bytechr.decode('UTF-8'))

结果：

汉

  解码后正确的显示了中文字符**$汉$**字。
  如果我们使用GBK进行解码：

print(bytechr.decode('GBK', 'ignore'))

结果：

姹

  说明使用错误的解码方式就会乱码。
  如果将汉字使用ISO-8859-1进行编码：

#!/usr/bin/env python
# -*- coding:utf-8 -*-

import sys
# 定义一个unicode的字符串
unichr = u'汉'
# 使用UTF-8编码转换为字节数组
bytechr = unichr.encode('ISO-8859-1')

结果：

Traceback (most recent call last):
  File "<stdin>", line 1, in <module>
UnicodeEncodeError: 'latin-1' codec can't encode character u'\u6c49' 
in position 0: ordinal not in range(256)

  可以看出，无论是哪个汉字，使用ISO-8859-1都无法进行编码，就是说ISO-8859-1解码，本身是不支持中文字符的。

---

文章转自：https://blog.csdn.net/qq_42068856/article/details/83792174