关于二进制编码的那些事
字符编码常用类型介绍
常用编码介绍一览表
第一个:ASCII
ASCII是美国基于拉丁字母的一套编码系统,主要是显示现代的英语以及其他的西欧语言。它是现在最通用的单字节编码系统,并等同于国际标准ISO/IEC 646,如下图所示:
因为,计算机是美国发明的,因此,最早只有127个字符编入被编码到计算机系统,也就是大小写字母,数字以及一些符号,这个编码表被称为ASCII编码,比如大写字母A是65,小写字母a是97位。后127位是扩展ASCII码。
在这里,每一位0或者1所占的空间单位被称为bit(比特),这是计算机最小的单位,每8个bit组成一个字符,这是计算机最小的存储单元。
常见单位换算:
bit位,计算机中最小的表示单位
8bit=1bytes,字节,计算机最小的存储单元,1Bytes缩写成1B
1KB=1024b
1MB=1024kb
1GB=1024MB
1TB=1024GB
第二个:GB2312以及GBK
对于我们来说,计算机显示中文是尤为的重要,而对于我们而言,ASCII表里连一个偏旁部首都没有。所以我们还需要一张关于中文和数字对应的关系表。一个字节最多能表示256个字符,要处理中文,显然一个字节是不够用的,所以我们采用两个字节来表示,而且还不能与英文的ASCII编码冲突,中国定制了GB2312编码,用来把中文编码进去。
第三个:Unicode
但长此以往,每个国家都会有自己的编码标准, 就会造成比较混乱的局面,从而导致各个国家之间不能正常的通信,这个时候,有一个叫ISO的组织出现,编写了一套Unicode的字符集,将所有国家的字符集都放了进去;它只规定了二进制代码,但却没有规定二进制应该如何存储。
比如严字这个字的Unicode码是十六进制下的4E25,转换成二进制足足有15位,需要两个字节。表示更大的字节,可能需要3个字节甚至是4个字节。
这里就出现两个严重的问题,第一个问题是:如何才能区分Unicode以及ASCII码?计算机如何知道三个字节代表一个字符,而非三个字符;第二个问题,就算使用Unicode进行统一的编码,而对于英文字符,仅仅需要一个字节就可以满足条件,如果按照Unicode进行编码的话,前面就会有大量的0,从而导致文件就会比以前的文件大两倍到三倍,这是无法接受的;
其造成的结果就是:第一,出现了Unicode的多种存储方式,也就是说有许多中不同的二进制格式,可以表示Unicode;第二,Unicode在很长一段的时间无法推广,直到互联网的出现。
第四个:UTF-8
互联网的出现,强烈要求出现统一的编码方式。UTF-8就是在互联网上使用最广的Unicode的实现方式。其他的实现方法还有UTF-16(字符用两个字节或者四个字节表示)和UTF-32(字符用四个字节表示),不过互联网基本不用。重复强调一下,UTF-8是Unicode的实现方式之一。
UTF-8最大的特点就是其是一种变长的编码方式。它可以使用1~4个字节表示一个符号,根据不同的符号而变化字节长度。
UTF-8的编码规则相当的简单,只有两条:
- 对于单字节的字符,字节的第一位设为0,后面的7位为这个符号的Unicode码。因此对于英文字母,UTF-8与ASCII码都是相同的。
- 对于n字节的字符(n>1),第一个字节的前n位都设为1,第n+1位设为0,后面字节的前两位都设为10,。剩下的没有提及的字节的二进制位,全部设置为Unicode码。
下面总结了编码规律,字母x表示可用的编码的位
Unicode符号范围 | UTF-8编码方式 (十六进制) | (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
根据上表,解读UTF-8编码十分的简单。如果一个字节的第一位是0,则这个字节单独就是一个字符;如果第一位是1,则连续有多少个1,则表示当前字符占有多少个字节。
下面还是以汉字“严”为例子,演示如何实现UTF-8编码。
已经知道UTF-8的编码中“严”是4E25(100111000100101),根据上表,可以发现出于第三行的范围内(0000 0800-0000 FFFF),因此,“严”的UTF-8编码需要三个字节,即格式是“1110xxxx 10xxxxxx 10xxxxxx”。然后,从“严”最后一个二进制开始,依次从后向前填入格式中的x,多出来的位就补0。这样就得到了,“严”的UTF-8编码是“11100100 10111000 10100101”,转化成十六进制就是E4B8A5。
第五个:关于Unicode与UTF-8的转换
通过上面的例子。我们可以看出,可以看出“严”字的Unicode编码是4E25,UTF-8的编码是E4B8A5,两种是不一样的,他们两者之间的转化是通过程序进行转换的。
在window平台上,有一个最简单的转换办法,就是使用内置的记事本小程序Notepad++.exe。打开文件后,点击“文件”菜单中的“另存为”命令,会跳出一个对话框,在底部会有一个编码的下拉条:
里面会有四个选项:ASCII、Unicode、Unicode big endian、UTF-8
- ASCII是默认编写方式,对于英文文件是ASCII编码,对于简体中文是GB2312编码,(只针对window系统下的简体中文版,对于繁体中文版会采用BIG5码)。
- Unicode编码指的是USC-2编码方式,即直接用两个字符存入字符的的Unicode编码,这个选项用的是little endian格式。
- UTF-8也就是上节所说的格式
选择完“编码方式”后,点击“保存”按钮,文件的编码方式就立刻转换好了。
7.Little endian和Big endian
上一节提到,UTF-8可通过USC-2格式直接存储。以汉字“严”为例,Unicode码是4E25,需要两个字节进行存储,一个字节是4E,另外一个字节是25,存储的时候。4E在前,25在后,就是Big endian的方式;而25在前4E在后,就是Little endian的方式。
这两个古怪的名称来自于英国作家斯威夫特的《格列夫游记》。在该书中,小人国内爆发了内乱,战争起因是人们的争论,吃鸡蛋时是从大头敲开(BIg-endian)还是从小头(Little-endian)敲开。为了这个事件,前后爆发了六次战争,一个国王丧命了,另外一个国王丢了王位。
因此,第一个字节在前,就是“大头方式”(Big endian),第二个字节在前,就是“小头方式”(Little endian)。
那么很自然的就出现了一个问题:计算机如何知道你采用哪一种方式编码?
Unicode规范中定义,每一个文件最前面加上表示编码顺序的字符,这个字符的名字叫做“零宽度非换行空格”(ZERO WIDTH NO-BREAK SPACE),用FEFF表示。这正好是两个字节,而且FF比FE大1,。
如果一个文本头两个字节是FE FF,就表示该文件采用的是大头方式;如果头两个字节是FF FE,就表示该文件采用的是小头方式。
8.示例
下面举一个示例。
打开“记事本”程序Notepad.exe,新建一个文本文件,内容就是一个“严”字,依次采用ASCII码,Unicode,Unicode Big endian和UTF-8编码方式保存。
然后,用文本编辑软件UltraEdit中的“十六进制功能”,观察该文件的内部编码方式。
- ASCII码 :文件编码就是两个字节“D1 CF”,这正是“严”的GB2312编码,这样按时GB2312是按照大头编写的。
- Unicode码:编码是四个字节“FF FE 25 4E”,其中FF FE暗示着是小头编写,真正的编码是4E 25。
- Unicode Big endian: 编码是四个字节“FE FF 4E 25”,其中FE FF表示大头编写。
- UTF-8编写是六个字节“EF BB BF E4 B8 A5”,前三个表示这是UTF-8编码,后三个表示的是UTF-8的编码,它的存储顺序与编码顺序是一致的。
9. 关于在修改以及保存、传输等方面文件编码关系
在计算机内存中,统一使用Unicode编码,当需要保存到硬盘或者传输的时候,被编写为UTF-8编码。
用记事本编辑的时候,从文件读取的UTF-8被转化成Unicode内存中,编辑完成以后,保存的文件再把Unicode转化成UTF-8保存到文件中。
浏览网页的时候,服务器会把动态生成的Unicode转换成UTF-8再传输到互联网上面:
9.关于encode以及decode
decode的作用是把其他编码的字符串转化成Unicode编码,如str1.decode(“GBK”),表示将GBK的字符串转化成Unicode编码
encode的作用是把Unicode转化成其他编码的字符串,如str2.encode("GBK"),表示将Unicode编码转化成GBK格式。