3数据表示方式

1、 数字系统

计算机数据表示是指处理机硬件能够辨认并进行存储、传送和处理的数据表示方法。

1.1 表示方法

数制：数制即是进位计数制，它包含3个基本要素：数码、基数、位权。数码是用来表示某一种进位计算制的一组符号，如十进制数中的0、1、2、3、4、5、6、7、8、9；

1.1.1 二进制数（Binary）

与十进制数类似，二进制数的数码是用0、1两个数字符号来表示，基数为2，进位规律是“逢二进一”。

1101010=1x2^6 + 1x2^5 + 0x2^4 + 1x2^3 + 0x2^2 + 1x2^1 + 0x2^0(二进制)
= 64 + 32 + 0x16 + 8 + 0x4 + 2 + 0x1 
= 106(十进制)

1.1.2 八进制数（Octonary）

在八进制数中，它的数码是用0、1、2、3、4、5、6、7八个数字符号来表示，基数是8，进位规律是“逢八进一”。（8=2^3）

3456 = 3x8^3 + 4x8^2 + 5x8^1 + 6x8^0(八进制)
=3x512 + 4x64 + 5x8 + 6x1
=1838(十进制)

1.1.3 十进制数（Decimal）

十进制数是人们十分熟悉的计数体制，它的数码是用0、1、2、3、4、5、6、7、8、9十个数字符号来表示，基数是10，进位规律是“逢十进一”。

3456 = 3x10^3 + 4x10^2 + 5x10^1 + 6x10^0

1.1.4 十六进制数（Hexadecimal）

在十六进制数中，它的数码是用0、1、2、3、4、5、6、7、8、9、A、B、C、D、E、F十六个数字和字母符号来表示，基数是16，进位规律是逢十六进一。(16=2^4)

F3E2 = Fx16^3 + 3x16^2 + Ex16^1 + 2x16^0(十六进制)
=15x4096 + 3x256 + 14x16 + 2x1(F取15，E取值14，)
=62434(十进制)

1.1.5 进制数对应关系

1.2 进制转换

1.2.1 二进制与十进制

1.2.1.1 二进制转十进制（位权相加法）

方法为：把二进制数按权展开、相加即得十进制数。

1.2.1.2 十进制转二进制（短除法）

方法为：十进制数除2取余法，即十进制数除2，余数为权位上的数，得到的商值继续除2，依此步骤继续向下运算直到商为0为止。

补充：小数的转化

1.2.2 二进制与八进制

1.2.2.1 二进制转八进制

方法为：3位二进制数按权展开相加得到1位八进制数。（注意事项，3位二进制转成八进制是从右到左开始转换，不足时补0）。

1.2.2.2 八进制转二进制（拆位拼接法）

方法为：八进制数通过除2取余法，得到二进制数，对每个八进制为3个二进制，不足时在最左边补零。

1.2.3 二进制与十六进制

1.2.3.1 二进制转十六进制

方法为：与二进制转八进制方法近似，八进制是取三合一，十六进制是取四合一。（注意事项，4位二进制转成十六进制是从右到左开始转换，不足时补0）。

1.2.3.1 十六进制转二进制（拆位拼接法）

方法为：十六进制数通过除2取余法，得到二进制数，对每个十六进制为4个二进制，不足时在最左边补零。

1.2.4 十进制与八进制与十六进制之间的转换

1.2.4.1 十进制转八进制或者十六进制

方法一：间接法—把十进制转成二进制，然后再由二进制转成八进制或者十六进制。
方法二：直接法—把十进制转八进制或者十六进制按照除8或者16取余，直到商为0为止。

1.2.4.2 八进制或者十六进制转成十进制

方法为：把八进制、十六进制数按权展开、相加即得十进制数。

1.2.5 十六进制与八进制之间的转换（借桥法）

方法一：他们之间的转换可以先转成二进制然后再相互转换。
方法二：他们之间的转换可以先转成十进制然后再相互转换。

1.3 扩展资料

1.3.1 数据的存储单位

在计算机中，描述数据的存储单位有位（bit）、字节（Byte）等。位是计算机中数据的最小存储单位，能表示一位二进制数，只能存储一个0或1。字节是计算机中数据的基本存储单位，一个字节是由八位二进制数组成，即1Byte=8bit。

1.3.2 机器数与真值

在计算机中，为了表示正数和负数，用数的最高位代表符号位，0表示正数，1表示负数。

1.3.3 原码

最高位是符号位，用0表示正数，用1表示负数，其余数值部分用二进制数的绝对值表示整数的方法称为原码表示法，简称原码。通常用[X]原表示X的原码。

1.3.4 反码

正数的反码与正数的原码相同，负数的反码是在负数原码的基础上，除符号位是1之外，其他位按位取反（即是0的改为1，是1的改为0）。

1.3.5 补码

正数的补码与正数的原码相同，负数的补码是先对负数求出反码，再在反码的基础上最低位加1。

2、 文字编码系统

在计算机眼里读到的所有文字都是由0和1组成的字符串，为了能让汉字正常显示在屏幕上，我们需要做以下两件事情：

1、给所有的汉字一个独一无二的数字编号，做一个数字编号到汉字的mapping关系（即字符集）
2、把这个数字编号能用0和1表示出来
这里需要说明的是，第2件事情并不是直接把数字编号用二进制表示出来那么简单，还要处理多个字连在一起的时候如何做分隔的问题。

电脑记录0/1文件的内容要被取出来查阅时，必须要经过一个编码系统的处理才行。 所谓的“编码系统”可以想成是一个“字码对照表”，他的概念有点像下面的图示：

2.1 ASCII系列编码

常用的英文编码表为ASCII系统，ASCII码（American Standard Code for Information Interchange，美国标准信息交换码），这个编码的时代就久远了，是由美国国家标准局(ANSI)制定，这个编码系统中， 每个符号（英文、数字或符号等）都会占用1Bytes的记录， 因此总共会有2^8=256种变化。

2.2 GB2312、GBK、GB18030编码

GB全称国标，GBK全称国标扩展。GB18030编码兼容GBK，GBK兼容GB2312。

2.2.1 GB2312

最早一版的中文编码，每个字占据2bytes。由于要和ASCII兼容，那这2bytes最高位不可以为0了（否则和ASCII会有冲突）。在GB2312中收录了6763个汉字以及682个特殊符号，已经囊括了生活中最常用的所有汉字。GB2312编码表有个值得注意的点，这个表中也有一些数字和字母，与ASCII里面的字母非常像。例如A3B2对应的是数字2（如下图），但是ASCII里面50（十进制）对应的也是数字2。他们的区别就是输入法中所说的“半角”和“全角”。全角的数字2占两个字节。
GB2312编码全表.

2.2.2 GBK

每个字占据2bytes的方式，汉字达到了20902个，另有984个汉语标点符号、部首等。20902个汉字中还包含了繁体字，但是该繁体字与台湾Big5编码不兼容，因为同一个繁体字很可能在GBK和Big5中数字编码是不一样的。
GBK编码全表.

2.2.3 GB18030

GB18030多出来的汉字使用4bytes编码。当然，为了兼容GBK，这个四字节的前两位显然不能与GBK冲突（实操中发现后两位也并没有和GBK冲突）。我国在2000年和2005年分别颁布的两次GB18030编码，其中2005年的是在2000年基础上进一步补充。至此，GB18030编码的中文文件已经有七万多个汉字了，甚至包含了少数民族文字。有兴趣的可以到国家标准委官网了解详情， 链接.

GB2312，GBK，GB18030都是采取了固定长度的办法来解决字符分隔（即前文所提的第2件事情）问题。GBK和GB2312比ASCII多出来的字都是2bytes，GB18030比GBK多出来的字都是4bytes。

2.3 Unicode编码系统

Unicode（统一码、万国码、单一码、标准万国码）是业界的一种标准，它可以使电脑得以体现世界上数十种文字的系统。Unicode 是基于通用字符集（Universal Character Set）的标准来发展。Unicode 的诞生就是为了统一世界上所有编码的，它包含了世界上近乎所有的字符，总共收录将近 110 多万个字符集合，编号范围从 0x000000 到 0x10FFFF。但大多数字符在范围：0x0000 到 0xFFFF 之间（即小于 65536），每个字符都有一个 Unicode 编号并且一般用十六进制表示，前置 U+ 如： U+0041表示英语的大写字母A，U+4E25表示汉字严。
Unicode是一种编码标准，它只是为世界上的所有字符进行了编号，并没有指定每个字符每个编号该如何映射为某个二进制串， Unicode 的主要实现方式有： UTF-8、UTF-16和UTF-32。

Unicode中的码点（Code Point）范围是U+0000~U+10FFFF，把每65536个码点作为一个平面（Plane），总共17个平面，编号从0开始，第一个平面称为Plane 0。

第一个平面即是BMP（Basic Multilingual Plane 基本多语言平面），也叫Plane 0，它的码点范围是U+0000~U+FFFF。这也是我们最常用的平面，日常用到的字符绝大多数都落在这个平面内。UTF-16只需要用两字节编码此平面内的字符。
后续的16个平面称为SP（Supplementary Planes、增补平面）。显然，这些码点已经是超过U+FFFF的了，所以已经超过了16位空间的理论上限，对于这些平面内的字符，UTF-16采用了四字节编码。
注：其中很多平面还是空的，还没有分配任何字符，只是先规划了这么多。

2.3.1 UTF-8（8-bit Unicode Transformation Format）

Unicode赋予了全世界所有文字和符号一个独一无二的数字编号，UTF8所做的事情就是把这个数字编号表示出来（即解决前文提到的第2件事情）。UTF8解决字符间分隔的方式是数二进制中最高位连续1的个数来决定这个字是几字节编码。0开头的属于单字节，和ASCII码重合，做到了兼容。
下表总结了编码规则，字母x表示可用编码的位。

对于中文汉字来说，所有常用汉字的Unicode值都可以用3字节的UTF8表示出来，而GBK编码的汉字基本是2字节（GB18030虽4字节但是日常没人会写那些字）。这也就导致了，如果把GBK编码的中文文本另存为UTF8编码，体积会大50%左右。这也是UTF8的一点小瑕疵，存储同样的汉字，体积比GBK要大50%。

UTF-8 最大的一个特点，就是它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：
1）对于单字节的符号，字节的第一位设为0，后面7位为这个符号的 Unicode 码。因此对于英语字母，UTF-8 编码和 ASCII 码是相同的。
2）对于n字节的符号（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。

举例说明：
中文“鹅”字，Unicode十进制值为40517（16进制为9E45，2进制为1001 1110 0100 0101）。
这个2进制值长度为16位，查询上面表格发现，二字节不够表示，四字节太长，三字节刚好，
因此可以表示为 11101001 10111001 10000101，换算为16进制即E9B985，这就是“鹅”字的UTF8编码，占3字节。

另外，经查询，“鹅”的GBK编码为B6EC，和UTF8的值完全不相干。

举例说明：汉字 [杨] 的 Unicode 编号是：0x6768 ，十进制：26472，二进制是：0110 0111 0110 1000
显然，该汉字的 UTF-8 标准编码格式为：1110xxxx 10xxxxxx 10xxxxxx
0x6768 的二进制是：0110 0111 0110 1000
从这个二进制的最后一位开始，依次从后向前替换编码格式中的 x 即可。

2.3.2 UTF-16

UTF-16只使用2或4个字节编码。UTF-16也是Unicode一种具体的编码实现。

UTf-16编码规则如下：
① 若Unicode码点在第一平面（BMP）中，则使用2个字节进行编码。
② 若Unicode码点在其他平面（辅助平面），则使用4个字节进行编码。

关于辅助平面的码点编码更详细解析如下：辅助平面码点被编码为一对16比特（四个字节）长的码元, 称之为代理对(surrogate pair), 第一部分称为高位代理(high surrogate)或前导代理(lead surrogates)，码位范围为：D800-DBFF. 第二部分称为低位代理(low surrogate)或后尾代理(trail surrogates)， 码位范围为：DC00-DFFF。注意，高位代理的码位从D800到DBFF，而低位代理的码位从DC00到DFFF，总共恰好为D800-DFFF，这部分码点在第一平面内是保留的，不映射到任何字符，所以UTF-16编码巧妙的利用了这点来进行码点在辅助平面内的4字节编码。

字符”A”的Unicode码点为65（十进制），十六进制表示为41，在第一平面。根据规则，UTF-16采用2个字节进行编码。那么问题又来了，知道了采用两个字节编码，并且我们也知道计算机是以字节为单位进行存储，这两个字节应该表示为00 41(十六进制)？或者是41 00（十六进制）呢？这就引出了一个问题，需要用到之前提及的BOM机制来解决。

表示为00 41意味着采用了大端序（Big endian），而表示为41 00意味着采用了小端序。那么计算机如何知道存储的字符信息采用了大端序还是小端虚呢？这就需要加入一些控制信息，具体是采用大端序，则在文件前加入FE FF，采用小端序，则在文件前加入FF FE。这样，当计算开始读取时发现前两个字节为FE FF，就表示之后的信息采用的是小端序。

Unicode转UTF-16规则流程图如下：

2.3.3 UTF-32

UTF-32 是固定长度的编码，始终占用 4 个字节，足以容纳所有的 Unicode 字符，所以直接存储 Unicode 编号即可，不需要任何编码转换。浪费了空间，提高了效率。

Unicode编码一个具体的示意图：

从上图可以初步得出一些结论：
UTF-8与UTF-16都是变长编码，UTF-32则是定长编码。
码点到UTF-32的转换最简单，就是在前面垫0垫够4字节就行了。
码点到UTF-8的转换，除了最小那个在数值上一样外，其它两个完全看不出两者的关系。
码点到UTF-16的转换则是最微妙的，可以看出前两个字符UTF-16与码点是完全一致的，但那个大码点（准确地说是超过了U+FFFF的码点）则有了很大的变化，长度变成了四字节，值也变得很不一样了。
字符编码在线查询.

2.4 常见编码兼容性

备注：内容收集来源于网络，如有侵权或错误，请联系我整改，谢谢！