编码集的发展

「已注销」

于 2022-01-11 10:45:52 发布

阅读量81

点赞数

文章标签： python

版权

ASCII编码

计算机只能处理数字，如果要处理文本，就必须先把文本转换为数字才能处理。

最早的计算机在设计时采用8个比特（bit）作为一个字节（byte），所以，一个字节能表示的最大的整数就是255，如果要表示更大的整数，就必须用更多的字节。

由于计算机是美国人发明的，最早只有大小写英文字母、数字和一些符号被编码到计算机里，一共有127个字符，这个编码表被称为ASCII编码，比如大写字母A的编码是65，小写字母z的编码是122

要处理中文显然一个字节是不够的，至少需要两个字节，而且还不能和ASCII编码冲突，所以中国制定了GB2312编码，用来把中文编进去

但是全世界有上百种语言，各个国家有各个国家的标准，就会不可避免地出现冲突，结果就是在多语言混合的文本中，显示出来会有乱码。

因此，Unicode字符集应运而生

Unicode把所有语言都统一到一套编码里，这样就不会出现乱码问题

Unicode标准不断发展，但最常用的是UCS-16编码，用两个字节表示一个字符（对于偏僻的字符，需要4个字节）

现代操作系统和大多数编程语言都直接支持Unicode

Unicode Transformation Format，简称UTF，对Unicode字符进行转换，以便于在存储和网络传输时可以节省空间

UTF编码有3个版本：UTF-32 、UTF-16、UTF-8，目前最常用的是UTF-8

ASCII编码和Unicode编码的区别：ASCII编码是1个字节，而Unicode编码通常是2个字节。

字母A用ASCII编码是十进制的65，二进制的01000001

汉字中超出了ASCII编码的范围，用Unicode编码是十进制的20013，二进制的01001110 00101101

可猜测，若把ASCII编码的A用Unicode编码，只需要在前面补0即可，因此，A的Unicode编码是00000000 01000001

新的问题又出现了：如果统一成Unicode编码，乱码问题从此消失了。但是，如果你写的文本基本上全部是英文的话，用Unicode编码比ASCII编码需要多一倍的存储空间，在存储和传输上就十分不划算

所以，本着节约的精神，又出现了把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，只有很生僻的字符才会被编码成4-6个字节。

如果你要传输的文本包含大量英文字符，用UTF-8编码就能节省空间

字符	ASCII	Unicode	UTF-8
A	01000001	00000000 01000001	01000001
中	x	01001110 00101101	11100100 10111000 10101101

从上面的表格可以发现，UTF-8编码有一个额外的好处，就是ASCII编码可以被看成UTF-8编码的一部分，所以，大量只支持ASCII编码的历史遗留软件可以在UTF-8编码下继续工作

在计算机内存中，统一使用Unicode编码，当需要保存到硬盘或者需要传输的时候，就转换为UTF-8编码

用记事本编辑的时候，从文件读取的UTF-8字符被转换为Unicode字符到内存里，编辑完成后，保存的时候再把Unicode转换为UTF-8保存到文件
浏览网页的时候，服务器会把动态生成的Unicode内容先转换为UTF-8后，再将其传输到浏览器，所以你看到很多网页的源码上会有类似<meta charset="UTF-8" />的信息，表示该网页正是用的UTF-8编码

关注