计算机编码窥探(ASCII-Unicode-UTF-8)

最新推荐文章于 2024-08-20 14:21:59 发布

麦穗的守望者

最新推荐文章于 2024-08-20 14:21:59 发布

阅读量834

点赞数

分类专栏：程序开发文章标签：编码计算机 java

本文链接：https://blog.csdn.net/yangchangji/article/details/54880782

版权

程序开发专栏收录该内容

11 篇文章 0 订阅

订阅专栏

一编码解决了什么问题？

我们知道计算机只认识0 1 ,我们所有的字符,英文也好中文也好,在计算机里面都是以0和1存储的，这个时候就会有个问题,比如字母A 存到计算机里面对应的0和1是多少?这就是编码要解决的问题！编码就是字符与二进制位之间的关系！

二常用的编码有哪些？

根据产生的顺序,世界上常用的编码有 ASCII码--Unicode码--UTF-8

Ascii码产生于上个世纪60年代,是美国定制的一套字符编码，当然是为了解决英语字符和二进制之间的对应关系。Ascii码规定了128个字符的编码(其中包括32个不能打印的控制符号)，比如A对应65 二进制就是01000001，空格是32 二进制00100000。

ASCII码解决了英语对应的二进制编码问题,但世界上的语言很多种,比如法语字母上方有注音符号,就无法用ASCII吗表示,于是在一些欧洲国家中就出现了非ASCII码,最多可表示256个符号。

然后256个符号还不能解决所有问题！！不同的国家有不同的字母，因此，哪怕它们都使用256个符号的编码方式，代表的字母却不一样。比如，130在法语编码中代表了é，在希伯来语编码中却代表了字母Gimel (ג)，在俄语编码中又会代表另一个符号。但是不管怎样，所有这些编码方式中，0--127表示的符号是一样的，不一样的只是128--255的这一段

Unicode的产生:

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 
  可以想象，如果有一种编码，将世界上所有的符号都纳入其中。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。这就是Unicode，就像它的名字都表示的，这是一种所有符号的编码。 
 
Unicode是一个很大的字符和二进制对应的集合，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。
 unicode的问题:unicode是一个巨大的字符和二进制对应关系的集合,却没有规定这个二进制代码应该如何存储。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。而英语用一个字节表示就足够了。如果Unicode统一规定，每个符号用三个或四个字节表示，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，文本文件的大小会因此大出二三倍，这是无法接受的。
 UTF-8的产生:
 每一种技术的产生都为了解决某种问题，UTF-8最大的特点就是一种变长的编码方式,可以用1~4个字节来表示一个符号。根据不同的符号来变化字节长度。
  
    UTF-8的编码规则很简单，只有二条： 
   
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。 
    
 
     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 
    
 
     跟据上表，解读UTF-8编码非常简单。如果一个字节的第一位是0，则这个字节单独就是一个字符；如果第一位是1，则连续有多少个1，就表示当前字符占用多少个字节。 
    
 
     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，依次从后向前填入格式中的x，多出的位补0。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。
 总结:ASCII和unicode都是一种编码集合,没有规定用几个字节来存储？而UTF-8 则规定了如何存储数据！
 
 java中的char和php中chr函数的区别:
 
 因为ASCII编码集合仅仅可以表示英文对应的二进制,所有java采用unicode编码集合,首先说说java中的char,用2个字节来存储,也就是无论英文或者中文,java内存中表示char类型的时候都是用2个字节。而php中的chr函数返回的参数的ASCII码值,通过上面的分析我们知道ASCII码值可以用1个字节来存储的。所以会发现一个很奇葩的问题。部分数字char转换成字母和chr一样的,另外一些数字却不一样！举个相同的例子
 php
 echo chr(96); //输出是`
 java
 char c=96;
       System.out.println(c);//输出是`
 举个不相同的例子,对于不可见字符,分别比较md5前后的值,我们做下md5,然后用base16做个转换,发现真是不一样
 php
 echo md5(chr(248)); //md5前�,md5后31741635b41d535098241fea03c1e47f
 java
 char c=248;
     System.out.println(MD5（c+“”）);//md5前 ø,md5后621bf66ddb7c962aa0d22ac97d69b793
 
 解决办法:
 既然是返回ASCII码,那么肯定是1个字节的,把java中的char转换为byte字节。
 char c=248;
         try {
             MessageDigest md5 = MessageDigest.getInstance("MD5");
             md5.update(new byte[]{(byte)c});//直接传入字节数组
             byte[] bs = md5.digest();
             StringBuilder sb = new StringBuilder();
             for (int i = 0; i < bs.length; i++) {
                 sb.append(Integer.toHexString((0x000000ff & bs[i]) | 0xffffff00).substring(6));
             }
             System.out.println(sb.toString());// md5后的值是 31741635b41d535098241fea03c1e47f,和php中md5之后的值是一样的
         } catch (NoSuchAlgorithmException e) {
             LOG.error(e);
         }
  
    