字符编码
字符集
字符编码和字符集的区别
1.理解字符集和字符编码
我们能读懂的字符,计算机不能读懂,如果我们要让计算机帮我们实现两个字符串的相加“a"+"b"="ab",但是计算机并不知道字符a和字符b是什么,那怎么解决呢?
这里提出一个设想,做一个映射表,字符a映射一个数字x,字符b映射一个数字y,那么当我们需要计算机帮我们处理这些字符的时候,计算机先到映射表中查找字符对应的数字,然后对这些数字进行处理。那么这样的映射表就是字符集。将字符集中的对应的字符转换成二进制的方式(规则)叫做字符编码,每种字符集都有自己对应的编码方式。
常见的字符集
ASCII字符集
由于计算机是美国人发明的,最早只有128个字符被编码到计算机里(只有128个字符设置映射关系),也就是大小写字母、数字和一些符号,这个编码表称为ASCII字符集。
比如大写字母A在ASCII是十进制的65(可以转化一下,转为二进制),小写字母z在ASCII中对应的十进制是122,记住ASCII字符集是一个字节(8个bit位)开存储数据的。
GB2312字符集
中文显然是一个字节不够,至少需要两个字节,而且不能和ASCII编码冲突,所以中国制定了GB2312字符集,在ASCII基础上把中文编码进去形成的一个新的字符集,用来把中文编进去。
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,就会不可避免地出现冲突,在多语言混合的文本中,显示传来就会有乱码。这时候Unicode字符集出现了。
Unicode字符集
Unicode把所有语言都统一到一套字符集里。这样就不会再有乱码问题了。Unicode标准也在不断发展,但最常用的是用两个字节表示一个字符(如果要用到非常偏僻的字符,就需要4个字节)。现代操作系统和大多数编码语言都是直接支持Unicode。
ASCII字符集和Unicode字符集的区别:
ASCII字符集是1个字节春粗字符,Unicode字符集通常是2个字节来存储数据。
例如:字母A在ASCII字符集中的十进制是65,二进制是01000001;如果ASCII编码A用Unicode编码,只需要在前边补0就可以,因此A的Unicode编码是00000000 01000001。
汉字”中“已经超出ASCII字符集的范围,用Unicode字符集的十进制是20013,二进制是01001110 00101101。
UTF-8编码
如果统一成Unicode编码,乱码问题处理了。但是,如果你写的文本基本上全是英文的话,用Unicode编码(Unicode字符集本身有自己对应的编码方式,这种方式叫做Unicode编码)比ASCII编码(ASCII字符集本身有自己对应的编码方式,这种方式叫做ASCII编码)需要多一倍的存储空间,在存储和传输就不方便。
因此,又出了把Unicode编码(转化为”可变长编码“的UTF-8编码。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,只有恨生僻的字符才会被编码成4-6个字节。如果要传输的文本含大量英文字符,用UTF-8就能节省空间。
例如:字符A,ASCII二进制01000001,Unicode二进制00000000 01000001,UTF-8二进制01000001.
从例子中可以发现UTF-8编码的一个好处,就是ASCII编码实际上可以被看成是UTF-8编码的一部分,所以大量只支持ASCII编码的历史预留软件可以在UTF-8编码下继续工作(这就是UTF-8编码兼容ASCII编码)。