准备
二进制换算
1 G = 1024 M = 1024 1024 K = 1024 * 1024 * 1024 Byte
1 Byte = 8 bit
一、ASCII 码
只占用一个字节表示的编码
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(值 0-127, 127 = 2 ^ 7 -1,所以虽然预留了8位,但是最多只需要7位,最前面的一位统一规定为0 ),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
。
字母 A 在计算机中的存储:
ASCII 编码表:
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。
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。
三、 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。
四、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:
- 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。
- Unicode 在很长一段时间内无法推广,直到互联网的出现。
五、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:
- 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。
- 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(十六进制) | UTF-8编码方式(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。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
。
UTF-8 里 0 -127 表示(与 ASCII 不同):
六、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。Windows平台,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
。
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)。Unicode
编码这里指的是notepad.exe使用的 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。Unicode big endian
编码与上一个选项相对应。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。
七、 总结
- ASCII 是单字节编码方式,共有 8位,第一位统一为 0,它表示的值的范围是 0-127
- 不同国家使用 ASCII 的第一位表示语言编码,值范围扩展到 0 -255;但是这导致编码对应 0-127 是一致的, 128-255 可能不一致;这就导致解析文本要使用对应的编码方式,不然会展示成乱码
期望出现这样一种编码方式
- 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这种编码就能扩大表示范围(不止是 0-255),而且能避免乱码问题,Unicode 编码方式应运而生。
- Unicode 编码方式将占用字节数扩展到 2 个字节甚至更多,这就意味着占用更多的存储空间
- 为了实现兼顾范围表示和存储空间的合理利用,我们需要一种能根据不同的符号而变化字节长度,UTF-8 应运而生UTF-8 是 Unicode 的实现方式之一, 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
八、 Javascript 中的字符编码
JavaScript 共有 6 种方法可以表示一个字符。详细介绍:https://es6.ruanyifeng.com/#docs/string
'\z' === 'z' // true
'\172' === 'z' // true
'\x7A' === 'z' // true
'\u007A' === 'z' // true
'\u{7A}' === 'z' // true
"𠮷" 的表示需要双字节
// 两个双字节的形式表示
"\uD842\uDFB7" // "𠮷"
// Unicode 形式直接表示
"\u{20BB7}"// "𠮷"
使用 UTF-8 的编码方式检测长度时:
九、应用:检测汉字长度
https://segmentfault.com/a/1190000040529571
**粗体** _斜体_ [链接](http://example.com) `代码` - 列表 > 引用
。你还可以使用@
来通知其他用户。