位（bit）、字节（byte）、字符、编码之间的关系

位（bit）、字节（byte）、字符、编码之间的关系

1、位：

数据存储的最小单位。每个二进制数字0或者1就是1个位；

2、字节：

8个位构成一个字节；即：1 byte (字节)= 8 bit(位)；

1 KB = 1024 B(字节)；

1 MB = 1024 KB; (2^20 B)

1 GB = 1024 MB; (2^30 B)

1 TB = 1024 GB; (2^40 B)

3、字符：

a、A、中、+、*、の…均表示一个字符；

一般 utf-8 编码下，一个汉字 字符 占用 3 个 字节；

一般 gbk 编码下，一个汉字 字符 占用 2 个 字节；

4、字符集：

即各种各个字符的集合，也就是说哪些汉字，字母（A、b、c）和符号（空格、引号…）会被收入标准中；

5、编码：

规定每个“字符”分别用一个字节还是多个字节存储，用哪些字节来存储，这个规定就叫做“编码”。（其实际是对字符集中字符进行编码，即：每个字符用二进制在计算中表示存储）；

通俗的说：编码就是按照规则对字符进行翻译成对应的二进制数，在计算器中运行存储，用户看的时候（比如浏览器），在用对应的编码解析出来用户能看懂的；

（1）标准ASCii字符集：有96个打印字符，和32个控制字符组成；一共96+32=128个；

​ 用7位二进制数来对每1个字符进行编码；

​ 而由于7位还还不够1个字节，而电脑的内部常用字节来用处理，每个字节中多出来的最高位用0替代；

​ 0 000 0000…0

​ 0 111 1111…127； 从0----127，来表示128个ACSii编码；

​ 比如：字符 ‘A’----------在计算器内部用0100 0001 （65）来表示；

​ 字符’a’-----------在计算器内部用0 110 0001 （97）来表示；

​ 注意：'10’在计算器内部是没有编码的，因为它是字符串，而不是单个字符。可以分别对1,0字符编码存储；

（2）扩展ASCii字符集：将标准的ASCii最高位1，得到十进制代码128—255（1 000 0000----1 111 1111）；所以字符集一共有0—255, 256个字符；

（3）gb2312字符集: 所有汉字字符在计算机内部采用2个字节来表示，每个字节的最高位规定为1【正好与标准ASCii字符（最高位是0）不重叠，并兼容】，不支持繁体字；

​ 所以：gb2312表示汉字的编码为：[129–255][129–255] (两个字节，每个字节最高位是1)；小于127的字符，与ASCii编码相同；

（4）gbk字符集：gb2312的扩充，兼容gb2312，除了收录gb2312所有的字符外，还收录了其他不常见的汉字、繁体字等；

​ gbk中字符是一个或两个字节，单字节字符00–7F（0—127）这个区间和ASCII是一样的；

​ 双字节字符的第一个字节是在81–FE（129–254）之间。通过这个可以判断是单字节还是双字节；

​ 即：在gbk字符编码，如果第一个字节是>128的，则再往后找一个字节，组成汉字；如果第一个字节<128,则表示的是一个单字节（此时和ASCII是一样的）；

（5）Unicode字符集：容纳世界上所有语言字符和符号的集合；（以及对应的二进制数字）；

Unicode只是一个编码规范，目前实际实现的unicode编码只要有三种：UTF-8,UCS-2和UTF-16，三种unicode字符集之间可以按照规范进行转换。

（6）utf-8编码：UTF-8（8-bit Unicode Transformation Format）是一种针对Unicode的可变长度字符编码，也是一种前缀码。它可以用来表示Unicode标准中的任何字符，且其编码中的第一个字节仍与ASCII兼容，这使得原来处理ASCII字符的软件无须或只须做少部分修改，即可继续使用。因此，它逐渐成为电子邮件、网页及其他存储或发送文字的应用中，优先采用的编码。

对于UTF-8编码中的任意字节B，如果B的第一位为0，则B独立的表示一个字符(ASCII码)；

如果B的第一位为1，第二位为0，则B为一个多字节字符中的一个字节(非ASCII字符)；

如果B的前两位为1，第三位为0，则B为两个字节表示的字符中的第一个字节；

如果B的前三位为1，第四位为0，则B为三个字节表示的字符中的第一个字节；

如果B的前四位为1，第五位为0，则B为四个字节表示的字符中的第一个字节；

因此，对UTF-8编码中的任意字节，根据第一位，可判断是否为ASCII字符；根据前二位，可判断该字节是否为一个字符编码的第一个字节；根据前四位（如果前两位均为1），可确定该字节为字符编码的第一个字节，并且可判断对应的字符由几个字节表示；根据前五位（如果前四位为1），可判断编码是否有错误或数据传输过程中是否有错误。

即：
1、单字节的字符，字节的第一位设为0，对于英语文本，UTF-8码只占用一个字节，和ASCII码完全相同；
2、n个字节的字符(n>1)，第一字节的前n位设为1，第n+1位设为0，后面字节的前两位都设为10；

3、2个字节，第一个字节的前2位是1；3个字节，第一个字节的前三位是1； 4个字节，第一个字节的前4位都是1；