【zz】字符编码笔记：ascii，unicode和utf-尊龙游戏旗舰厅官网
2019独角兽企业重金招聘python工程师标准>>>
今天中午，我突然想搞清楚unicode和utf-8之间的关系，于是就开始在网上查资料。结果，这个问题比我想象的复杂，从午饭后一直看到晚上9点，才算初步搞清楚。
下面就是我的笔记，主要用来整理自己的思路。但是，我尽量试图写得通俗易懂，希望能对其他朋友有用。毕竟，字符编码是计算机技术的基石，想要熟练使用计算机，就必须懂得一点字符编码的知识。
1. ascii码
我们知道，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。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0000000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1位统一规定为0。
2、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256x256=65536个符号。
中文编码的问题需要专文讨论，这篇笔记不涉及。这里只指出，虽然都是用多个字节表示一个符号，但是gb类的汉字编码与后文的unicode和utf-8是毫无关系的。
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，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，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。
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？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？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，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。
它们造成的结果是：1）出现了unicode的多种存储方式，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（字符用两个字节或四个字节表示）和utf-32（字符用四个字节表示），不过在互联网上基本不用。重复一遍，这里的关系是，utf-8是unicode的实现方式之一。
utf-8最大的一个特点，就是它是一种变长的编码方式。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）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。
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。
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）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）。
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。
4）utf-8编码，也就是上一节谈到的编码方法。
选择完"编码方式"后，点击"保存"按钮，文件的编码方式就立刻转换好了。
7. little endian和big endian
上一节已经提到，unicode码可以采用ucs-2格式直接存储。以汉字"严"为例，unicode码是4e25，需要用两个字节存储，一个字节是4e，另一个字节是25。存储的时候，4e在前，25在后，就是big endian方式；25在前，4e在后，就是little endian方式。
这两个古怪的名称来自英国作家斯威夫特的《格列佛游记》。在该书中，小人国里爆发了内战，战争起因是人们争论，吃鸡蛋时究竟是从大头(big-endian)敲开还是从小头(little-endian)敲开。为了这件事情，前后爆发了六次战争，一个皇帝送了命，另一个皇帝丢了王位。
因此，第一个字节在前，就是"大头方式"（big endian），第二个字节在前就是"小头方式"（little endian）。
那么很自然的，就会出现一个问题：计算机怎么知道某一个文件到底采用哪一种方式编码？
unicode规范中定义，每一个文件的最前面分别加入一个表示编码顺序的字符，这个字符的名字叫做"零宽度非换行空格"（zero width no-break space），用feff表示。这正好是两个字节，而且ff比fe大1。
如果一个文本文件的头两个字节是fe ff，就表示该文件采用大头方式；如果头两个字节是ff fe，就表示该文件采用小头方式。
8. 实例
下面，举一个实例。
打开"记事本"程序notepad.exe，新建一个文本文件，内容就是一个"严"字，依次采用ansi，unicode，unicode big endian 和 utf-8编码方式保存。
然后，用文本编辑软件ultraedit中的"十六进制功能"，观察该文件的内部编码方式。
1）ansi：文件的编码就是两个字节"d1 cf"，这正是"严"的gb2312编码，这也暗示gb2312是采用大头方式存储的。
2）unicode：编码是四个字节"ff fe 25 4e"，其中"ff fe"表明是小头方式存储，真正的编码是4e25。
3）unicode big endian：编码是四个字节"fe ff 4e 25"，其中"fe ff"表明是大头方式存储。
4）utf-8：编码是六个字节"ef bb bf e4 b8 a5"，前三个字节"ef bb bf"表示这是utf-8编码，后三个"e4b8a5"就是"严"的具体编码，它的存储顺序与编码顺序是一致的。
9. 延伸阅读
* the absolute minimum every software developer absolutely, positively must know about unicode and character sets（关于字符集的最基本知识）
* 谈谈unicode编码
* rfc3629：utf-8, a transformation format of iso 10646（如果实现utf-8的规定）
转载于:https://my.oschina.net/u/1178546/blog/147648
总结
以上是尊龙游戏旗舰厅官网为你收集整理的【zz】字符编码笔记：ascii，unicode和utf-8的全部内容，希望文章能够帮你解决所遇到的问题。
- 上一篇： the 30 css selectors
- 下一篇：