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
Unicode
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
UTF-8
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
计算机中的编码转换
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