ASCII、Unicode、UTF-8之间的关系

在我们安装一些网上的软件时，有时会出现以下这样恼火的情况——乱码:

我们老师说，究其原因，是编写此软件的程序员并不了解Unicode的知识与编码标准，导致用户电脑无法识别是哪一种标准，则无法解码，就变成这样了……

为了防止我以后也犯老师说的这种“最低级错误”，我还是记录下来吧。

---

 

正文：

在计算机中，数据的存储都是以二进制表示的，而哪些二进制数表示哪些字母、数字与符号则是编码的标准，最初为了交流不产生混乱，则出现了ASCII编码标准。

ASCII码只有128个（编号从0到127），用一个字节表示了英文字母、阿拉伯数字等一些常用字符，这当然是远远不够的。由于1个字节可以表示256种不同的字符，有人便使用128到255表示重音符号等无法显示的符号，这产生了Extend ASCII，即EASCII。

然而，256 还 是 不 够 用……

这时，Unicode应运而生，目的是能够处理世界上各种文字系统。

Unicode一般是以十六进制的码值（code point）来表示字符，则Unicode string即为一连串的码值。要将概念性的码值转换为内存中实际的字节储存方式就叫做编码（encode），易知，反过来，将字节储存转为Unicode string 的码值则是解码（decode）。

编码的方式有许多，大概有100多种，目前较为常用的便是UTF-8。（这说明UTF-8只是Unicode编码标准的一种！并不是完全无关、完全独立的东西！）

UTF-8规则：

若码值<128，则与ASCII相同，用一个字节表示字符。

若128<=码值<=2047（十六进制为0x7ff）,则用两个字节表示字符，每个字节是从128到255。

若码值>2047，则用三个甚至四个字节表示字符，每个字节是从128到255。

这样的编码规则，使用可变长字节序列，则可以有效避免空间浪费。

 

综上，ASCII、Unicode、UTF-8的大致关系就讲完了，若想了解更多细节可以去看些相关的书籍。

最后，当使用字符时最好是知道它是使用哪一种编码标准！（ASCII or Latin_1 or GB2312 or UTF-8 anyway）