base64、utf-8、二进制有什么关系？

一、引言

在开发过程中我们经常会用到GBK、utf-8等编码规范，本文为大家介绍了他们的起源、差别以及应用。

二、ASCII、GBK、Unicode、Utf-8编码区别

1. 文本编码的诞生背景

计算机只能处理数字，如果要处理文本文件就必须先把文本转化成数字才能处理。最早的计算机在设计的时候采用8个比特（bit）作为一个字节（byte）。所以一个字节能表示的最大整数就是255 (（2^8) - 1 )。

2. ASCII编码

最早的计算机字符编码为ASCII（美国信息互换标准代码），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，用一个字节（8个位）就能表示所有的字符。比如大写字母A的编码是65，小写字母z的编码是122。

3. 和汉字相关的编码规范：GB2312、GBK、GB13080

（1）GB2312编码

但是在中国由于汉字数目众多，用一个字节根本表示不了，ASCII就行不通了。因此就有了GB2312（中国国家标准简体中文字符集）。GB2312使用两个字节来对字符进行编码，其中前面的一个字节从0xA1用到0xF7，后面一个字节从0xA1到0xFE。GB2312能表示几千个汉字，并且兼容ASSCII码。

（2）GBK

但后来发现，GB2312还是不够用，于是进行了扩展，产生GBK(汉字内码扩展规范)。GBK同GB2312一样用两个字节表示一个字符，但区别在于放宽了对于低字节的要求，因此也就能表示更多的汉字。

（3）GB13080

后来为了容纳少数民族以及其他其他国家的文字，又出现了DB13080。DB13080兼容GBK与GB2312。与GBK、GB2312不同的是，GB18030采用单字节、双字节和四字节三种方式的字符编码，能容纳更多的字符。

4. Unicode

但是全世界有上百种语言，日本把日文编到Shift_JIS里，韩国把韩文编到Euc_kr里。各国有各国的标准，就会不可避免的出现冲突。结果就是在多语言混合的文本中，显示出来会有乱码。

这个时候ISO（国际标准化组织）发明了UCS，即Unicode。Unicode把所有语言都统一到一套编码里，这样就不会出现乱码的问题了。

Unicode标准最常用的是用两个字节表示一个字符(如果是非常偏僻的字符，就需要4个字节)。现代操作系统和大多数编程语言都直接支持Unicode。但是如果所有的字符都是用Unicode来编码，那对于全英文的文本编码就十分不划算(明明只需要一个字节就够了)。

因此为了节约存储空间和便于传输，就将Unicode编码转化为 "可变长编码”的UTF-8编码，可以理解 Unicode 推动了 UTF-8 编码的诞生。

5. UTF

UTF是Unicode Transformation Format的缩写，意思是“Unicode转换格式”，后面的数字表明至少使用多少个比特位来存储字符。

UTF-8编码把一个Unicode字符根据不同的数字大小编码成1-6个字节，常用的英文字母被编码成1个字节，汉字通常是3个字节，只有很生僻的字符才会被编码成4-6个字节。如果你要传输的文本包含大量英文字符，用UTF-8编码就能节省空间。

UTF-8编码把一个Unicode字符根据不同的数字大小编码成1-6个字节，常用的英文字母被编码成1个字节，汉字通常是3个字节，只有很生僻的字符才会被编码成4-6个字节。如果你要传输的文本包含大量英文字符，用UTF-8编码就能节省空间。

---

Tips：不同语言文本打开出现乱码的原因：用A方式将文本编码成二进制，然后用B方式解码，就会乱码。

为什么一个英文字母占一个字节，一个中文汉子占两个字节？

一般计算机字符编码都是采用的ASCII码,它的范围只有0-127,后经扩展也只达到0-255的范围,对于用字母表示的英文,这个范围已经足够了(表示26个字母和数字等已绰绰有余). 可是对于如汉字,日文,韩文等由字形组成的文字,这样的范围就太小了,所以一个汉字都是采用2个字节来表示,并且2个字节开头的一个字节最高位为1(目的是为了区分1个汉字与2个字母),这样编码范围就大增加了.

三、Bit、Byte和网速

1. Bit 和 Byte

Bit 其实就是指 0 或者 1，Byte 是对 8个 Bit 的打包称呼。

电脑是以二进制存储以及发送接收数据的。二进制的一位，就叫做 1 bit。也就是说 bit 的含义就是二进制数中的一个数位，即 “0” 或者 "1"。

字节 Byte 和比特 bit 的换算关系是 1 Byte = 8 bit 。

2. 网速

网速有「宽带大小」和「下载速度大小」

（1）宽带大小（bit）

网络线路的计量单位，也就是我们通常说的 2M 宽带，10 M 宽带的单位，是 比特每秒（bits per second）。比特每秒 的缩写为 bps，意思是每秒接收的平均比特数。更大的单位是 千比特每秒（Kbps）或 兆比特每秒（Mbps）。2M宽带，意味着每秒平均可以接受 2Mb 的数据，也就是二百万左右比特的数据，在这里，小写 b 的意思就是比特了。

（2）下载速度（byte）

而通常我们说的下载速度，也就是网速，是每秒下载的字节数。比如网速是 5 KB（这网速可是够慢的），意思就是每秒接收的数据是 五千字节。

两者关系

那我们根据 一字节 等于 8 比特的 换算方法，就可以得出以下结论。

下载速度从理论上来说，应该是 带宽的 八分之一。

2M 宽带理论下载速度是 256 KB

10M 宽带理论下载速度是 1280 KB

带宽的单位，不管是 B 还是 b，代表的都是 比特 bit 。
存储单位和网速的单位，不管是 B 还是 b，代表的都是 字节 Byte。

四、Base64、Base64URL的关系

1. base64的作用/什么时候需要base64

当你需要用字符串来代替二进制数据的时候，可以考虑base64。

Base64是一种用64个字符来表示任意二进制数据的方法。

用记事本打开exe、jpg、pdf这些文件时，我们都会看到一大堆乱码，因为二进制文件包含很多无法显示和打印的字符，所以，如果要让记事本这样的文本处理软件能处理二进制数据，就需要一个二进制到字符串的转换方法，那么Base64是一种最常见的二进制编码方法。

2. base64 介绍和应用

Base64 是一种基于 64 个可打印字符来表示二进制数据的表示方法。由于 2^6=64，所以每 6 个比特为一个单元，对应某个可打印字符。3 个字节有 24 个比特，对应于 4 个 Base64 单元，即 3 个字节可由 4 个可打印字符来表示。

它不是一种加解密技术，是一种简单的编解码技术。

Base64 常用于表示、传输、存储二进制数据，也可以用于将一些含有特殊字符的文本内容编码，以便传输。

比如：

在电子邮件的传输中，Base64 可以用来将 binary 的字节序列，比如附件，编码成 ASCII 字节序列； 将一些体积不大的图片 Base64 编码后，直接内嵌到网页源码里；

将要传递给 HTTP 请求的参数做简单的转换，降低肉眼可读性；

注：用于 URL 的 Base64 非标准 Base64，是一种变种。

网友们在论坛等公开场合习惯将邮箱地址 Base64 后再发出来，防止被爬虫抓取后发送垃圾邮件。

（1）使用 base64 对图片进行编码

编码流程： 先对图片进行 utf-8 编码 生成 二进制，然后 base64 再对 二进制进行编码，生成 base64 字符串

解码流程： 先对 base64字符串 解码 生成 二进制，然后使用 utf-8 解码生成图片

（2）有了utf-8编码，为什么还需要base64？

试想一个场景，你用 utf-8 把文件编码成二进制后，你交给别人，别人知道应该用 utf-8 进行解码吗？

基本不会知道的，但如果你用了 base64 ，稍微熟悉点开发的同学都知道这是 base64 编码的，再对应 decode 就好了。

相当于 base64 给 二进制 附加了解码的信息。

3. base64 编码原理

标准 Base64 里的 64 个可打印字符是 A-Za-z0-9+/，分别依次对应索引值 0-63。索引表如下：

编码时，每 3 个字节一组，共 8bit*3=24bit，划分成 4 组，即每 6bit 代表一个编码后的索引值，划分如下图所示：

这样可能不太直观，举个例子就容易理解了。比如我们对 cat 进行编码：

可以看到 cat 编码后变成了 Y2F0。

如果待编码内容的字节数不是 3 的整数倍，那需要进行一些额外的处理。

如果最后剩下 1 个字节，那么将补 4 个 0 位，编码成 2 个 Base64 字符，然后补两个 =：

如果最后剩下 2 个字节，那么将补 2 个 0 位，编码成 3 个 Base64 字符，然后补一个 =：