有了Unicode为啥还需要UTF-8

最新推荐文章于 2023-11-29 16:14:30 发布

zhaohong_bo

最新推荐文章于 2023-11-29 16:14:30 发布

阅读量1.8k

点赞数 5

分类专栏：学习笔记文章标签： Java 编码 Unicode UTF-8 ASCII

本文链接：https://blog.csdn.net/zhaohong_bo/article/details/89195092

版权

本文探讨了ASCII、非ASCII编码、Unicode和UTF-8的关系与问题。ASCII码仅覆盖英语，非ASCII编码导致了乱码问题。Unicode作为所有符号的编码集合，解决了乱码，但其存储方式多样。UTF-8作为Unicode的一种实现，以变长方式存储字符，是互联网上广泛使用的编码方式。

摘要由CSDN通过智能技术生成

有了Unicode为啥还需要UTF-8

要回答这个问题，需要吃透“编码”的概念，刚好看到大神阮一峰写的文章：字符编码笔记：ASCII，Unicode 和 UTF-8

抄录如下，便于查找：

一、ASCII 码
我们知道，计算机内部，所有信息最终都是一个二进制值。每一个二进制位（bit）有0和1两种状态，因此八个二进制位就可以组合出256种状态，这被称为一个字节（byte）。也就是说，一个字节一共可以用来表示256种不同的状态，每一个状态对应一个符号，就是256个符号，从00000000到11111111。

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）。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，最前面的一位统一规定为0。

二、非 ASCII 编码

英语用128个符号编码就够了，但是用来表示其他语言，128个符号是不够的。比如，在法语中，字母上方有注音符号，它就无法用 ASCII 码表示。于是，一些欧洲国家就决定，利用字节中闲置的最高位编入新的符号。比如，法语中的é的编码为130（二进制10000010）。这样一来，这些欧洲国家使用的编码体系，可以表示最多256个符号。

但是，这里又出现了新的问题。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。

至于亚洲国家的文字，使用的符号就更多了，汉字就多达10万左右。一个字节只能表示256种符号，肯定是不够的，就必须使用多个字节表达一个符号。比如，简体中文常见的编码方式是 GB2312，使用两个字节表示一个汉字，所以理论上最多可以表示 256 x 256 = 65536 个符号。