1. ASCII码
二进制位(bit) 0或者1,
在计算机内部,所有的信息最终都表示为一个二进制的字符串,[color=blue] 一个字节byte[/color]有八个二进制位,一个BYTE(8个二进制位)就可以组合出 [color=blue]256[/color]种状态,[color=blue]从 0000000到11111111[/color]
上个世纪60年代,美国制定了一套字符编码,对英语字符与二进制位之间的关系,做了统一规定。这被称为ASCII码,一直沿用至今。
ASCII码一共规定了128个字符的编码,比如空格“SPACE”是32(二进制00100000),大写的字母A是65(二进制01000001)。[color=blue]这128个符号(包括32个不能打印出来的控制符号),只占用了一个字节的后面7位,最前面的1位统一规定为0。0MMMMMMM[/color]
2. 非ASCII码
英语128个符号编码就够了,但其它语言就不够了,于是有些国家开始使用byte的最前面一位,这样一来,一个byte就可以表示256个符号了,但不同的语言,应为定义不同,[color=blue]所以0-127表示的符号是一样的,但128-255却不一样,定义了各自语言的符号[/color]
对于亚洲国家的文字,256个符号太少了,汉字就有10万多个,必须使用多个字节来表示一个符号,简体中文使用两个字节来表示一个汉字,所以里乱上最多可以表256×256=65536个符号
3.Unicode
正如上一节所说,世界上存在着多种编码方式,同一个二进制数字可以被解释成不同的符号。因此,要想打开一个文本文件,就必须知道它的编码方式,否则用错误的编码方式解读,就会出现乱码。为什么电子邮件常常出现乱码?就是因为发信人和收信人使用的编码方式不一样。
可以想象,如果有一种编码,[color=blue]将世界上所有的符号都纳入其中[/color]。每一个符号都给予一个独一无二的编码,那么乱码问题就会消失。[color=blue]这就是Unicode[/color],就像它的名字都表示的,这是一种所有符号的编码。
Unicode当然是一个很大的集合,现在的规模可以容纳100多万个符号。每个符号的编码都不一样,比如,U+0639表示阿拉伯字母Ain,U+0041表示英语的大写字母A,U+4E25表示汉字“严”。具体的符号对应表,可以查询unicode.org,或者专门的汉字对应表。
4. Unicode的问题
需要注意的是,[color=blue]Unicode只是一个符号集,它只规定了符号的二进制代码,却没有规定这个二进制代码应该如何存储[/color]。
比如,汉字“严”的unicode是十六进制数4E25,转换成二进制数足足有15位(100111000100101),也就是说这个符号的表示至少需要2个字节。表示其他更大的符号,可能需要3个字节或者4个字节,甚至更多。
这里就有两个严重的问题,第一个问题是,如何才能区别unicode和ascii?[color=blue]计算机怎么知道三个字节表示一个符号,而不是分别表示三个符号 呢[/color]?第二个问题是,我们已经知道,英文字母只用一个字节表示就够了,如果unicode统一规定,每个符号用三个或四个字节表示,[color=blue]那么每个英文字母前都必 然有二到三个字节是0,这对于存储来说是极大的浪费[/color],文本文件的大小会因此大出二三倍,这是无法接受的。它们造成的结果是:1)[color=blue]出现了unicode的多种存储方式[/color],也就是说有许多种不同的二进制格式,可以用来表示unicode。2)unicode在很长一段时间内无法推广,直到互联网的出现。
5.UTF-8
互联网的普及,强烈要求出现一种统一的编码方式。UTF-8就是在互联网上使用最广的一种unicode的实现方式。其他实现方式还包括UTF-16和UTF-32,不过在互联网上基本不用。重复一遍,这里的关系是,[color=blue]UTF-8是Unicode的实现方式之一[/color]。
[color=blue]UTF-8最大的一个特点,就是它是一种变长的编码方式[/color]。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的编码规则很简单,只有二条:
1)[color=red]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[/color]。
2)[color=blue]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[/color]。
下表总结了编码规则,字母x表示可用编码的位。
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
下面,还是以汉字“严”为例,演示如何实现UTF-8编码。
已知“严”的unicode是4E25(100111000100101),根据上表,可以发现4E25处在第三行的范围内(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”的最后一个二进制位开始,[color=blue]依次从后向前填入格式中的x,多出的位补0[/color]。这样就得到了,“严”的UTF-8编码是 “11100100 10111000 10100101”,转换成十六进制就是E4B8A5。
6. Unicode与UTF-8之间的转换
通过上一节的例子,可以看到“严”的Unicode码是4E25,UTF-8编码是E4B8A5,两者是不一样的。它们之间的转换可以通过程序实现。
在Windows平台下,有一个最简单的转化方法,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,在最底部有一个“编码”的下拉条。里面有四个选项:ANSI,Unicode,Unicode big endian 和 UTF-8。
1)[color=blue]ANSI是默认的编码方式。对于英文文件是ASCII编码,对于简体中文文件是GB2312编码(只针对Windows简体中文版,如果是繁体中文版会采用Big5码)。[/color]
2)Unicode编码指的是UCS-2编码方式,即直接用两个字节存入字符的Unicode码。这个选项用的little endian格式。
3)Unicode big endian编码与上一个选项相对应。我在下一节会解释little endian和big endian的涵义。
二进制位(bit) 0或者1,
在计算机内部,所有的信息最终都表示为一个二进制的字符串,[color=blue] 一个字节byte[/color]有八个二进制位,一个BYTE(8个二进制位)就可以组合出 [color=blue]256[/color]种状态,[color=blue]从 0000000到11111111[/color]
上个世纪60年代,美国制定了一套字符编码,对英语字符与二进制位之间的关系,做了统一规定。这被称为ASCII码,一直沿用至今。
ASCII码一共规定了128个字符的编码,比如空格“SPACE”是32(二进制00100000),大写的字母A是65(二进制01000001)。[color=blue]这128个符号(包括32个不能打印出来的控制符号),只占用了一个字节的后面7位,最前面的1位统一规定为0。0MMMMMMM[/color]
2. 非ASCII码
英语128个符号编码就够了,但其它语言就不够了,于是有些国家开始使用byte的最前面一位,这样一来,一个byte就可以表示256个符号了,但不同的语言,应为定义不同,[color=blue]所以0-127表示的符号是一样的,但128-255却不一样,定义了各自语言的符号[/color]
对于亚洲国家的文字,256个符号太少了,汉字就有10万多个,必须使用多个字节来表示一个符号,简体中文使用两个字节来表示一个汉字,所以里乱上最多可以表256×256=65536个符号
3.Unicode
正如上一节所说,世界上存在着多种编码方式,同一个二进制数字可以被解释成不同的符号。因此,要想打开一个文本文件,就必须知道它的编码方式,否则用错误的编码方式解读,就会出现乱码。为什么电子邮件常常出现乱码?就是因为发信人和收信人使用的编码方式不一样。
可以想象,如果有一种编码,[color=blue]将世界上所有的符号都纳入其中[/color]。每一个符号都给予一个独一无二的编码,那么乱码问题就会消失。[color=blue]这就是Unicode[/color],就像它的名字都表示的,这是一种所有符号的编码。
Unicode当然是一个很大的集合,现在的规模可以容纳100多万个符号。每个符号的编码都不一样,比如,U+0639表示阿拉伯字母Ain,U+0041表示英语的大写字母A,U+4E25表示汉字“严”。具体的符号对应表,可以查询unicode.org,或者专门的汉字对应表。
4. Unicode的问题
需要注意的是,[color=blue]Unicode只是一个符号集,它只规定了符号的二进制代码,却没有规定这个二进制代码应该如何存储[/color]。
比如,汉字“严”的unicode是十六进制数4E25,转换成二进制数足足有15位(100111000100101),也就是说这个符号的表示至少需要2个字节。表示其他更大的符号,可能需要3个字节或者4个字节,甚至更多。
这里就有两个严重的问题,第一个问题是,如何才能区别unicode和ascii?[color=blue]计算机怎么知道三个字节表示一个符号,而不是分别表示三个符号 呢[/color]?第二个问题是,我们已经知道,英文字母只用一个字节表示就够了,如果unicode统一规定,每个符号用三个或四个字节表示,[color=blue]那么每个英文字母前都必 然有二到三个字节是0,这对于存储来说是极大的浪费[/color],文本文件的大小会因此大出二三倍,这是无法接受的。它们造成的结果是:1)[color=blue]出现了unicode的多种存储方式[/color],也就是说有许多种不同的二进制格式,可以用来表示unicode。2)unicode在很长一段时间内无法推广,直到互联网的出现。
5.UTF-8
互联网的普及,强烈要求出现一种统一的编码方式。UTF-8就是在互联网上使用最广的一种unicode的实现方式。其他实现方式还包括UTF-16和UTF-32,不过在互联网上基本不用。重复一遍,这里的关系是,[color=blue]UTF-8是Unicode的实现方式之一[/color]。
[color=blue]UTF-8最大的一个特点,就是它是一种变长的编码方式[/color]。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的编码规则很简单,只有二条:
1)[color=red]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[/color]。
2)[color=blue]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[/color]。
下表总结了编码规则,字母x表示可用编码的位。
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
下面,还是以汉字“严”为例,演示如何实现UTF-8编码。
已知“严”的unicode是4E25(100111000100101),根据上表,可以发现4E25处在第三行的范围内(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”的最后一个二进制位开始,[color=blue]依次从后向前填入格式中的x,多出的位补0[/color]。这样就得到了,“严”的UTF-8编码是 “11100100 10111000 10100101”,转换成十六进制就是E4B8A5。
6. Unicode与UTF-8之间的转换
通过上一节的例子,可以看到“严”的Unicode码是4E25,UTF-8编码是E4B8A5,两者是不一样的。它们之间的转换可以通过程序实现。
在Windows平台下,有一个最简单的转化方法,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,在最底部有一个“编码”的下拉条。里面有四个选项:ANSI,Unicode,Unicode big endian 和 UTF-8。
1)[color=blue]ANSI是默认的编码方式。对于英文文件是ASCII编码,对于简体中文文件是GB2312编码(只针对Windows简体中文版,如果是繁体中文版会采用Big5码)。[/color]
2)Unicode编码指的是UCS-2编码方式,即直接用两个字节存入字符的Unicode码。这个选项用的little endian格式。
3)Unicode big endian编码与上一个选项相对应。我在下一节会解释little endian和big endian的涵义。