字元編碼問題

以下是從廖雪峰的官方網站學習過程中發現其對字元編碼問題有較易懂的解釋，特轉載至此與大家分享

轉載位址：廖雪峰的官方網站

======================================================================

因為計算機隻能處理數字，如果要處理文本，就必須先把文本轉換為數字才能處理。最早的計算機在設計時采用8個比特（bit）作為一個位元組（byte），是以，一個位元組能表示的最大的整數就是255（二進制11111111=十進制255），如果要表示更大的整數，就必須用更多的位元組。比如兩個位元組可以表示的最大整數是

65535

，4個位元組可以表示的最大整數是

4294967295

。

由于計算機是美國人發明的，是以，最早隻有127個字母被編碼到計算機裡，也就是大小寫英文字母、數字和一些符号，這個編碼表被稱為

ASCII

編碼，比如大寫字母

A

的編碼是

65

，小寫字母

z

的編碼是

122

。

但是要進行中文顯然一個位元組是不夠的，至少需要兩個位元組，而且還不能和ASCII編碼沖突，是以，中國制定了

GB2312

編碼，用來把中文編進去。

你可以想得到的是，全世界有上百種語言，日本把日文編到

Shift_JIS

裡，南韓把韓文編到

Euc-kr

裡，各國有各國的标準，就會不可避免地出現沖突，結果就是，在多語言混合的文本中，顯示出來會有亂碼。

是以，Unicode應運而生。Unicode把所有語言都統一到一套編碼裡，這樣就不會再有亂碼問題了。

Unicode标準也在不斷發展，但最常用的是用兩個位元組表示一個字元（如果要用到非常偏僻的字元，就需要4個位元組）。現代作業系統和大多數程式設計語言都直接支援Unicode。

現在，捋一捋ASCII編碼和Unicode編碼的差別：ASCII編碼是1個位元組，而Unicode編碼通常是2個位元組。

字母

A

用ASCII編碼是十進制的

65

，二進制的

01000001

；

字元0用ASCII編碼是十進制的

48

，二進制的

00110000

，注意字元

'0'

和整數

是不同的；

漢字中已經超出了ASCII編碼的範圍，用Unicode編碼是十進制的

20013

，二進制的

01001110 00101101

。

你可以猜測，如果把ASCII編碼的A用Unicode編碼，隻需要在前面補0就可以，是以，A的Unicode編碼是00000000 01000001。

新的問題又出現了：如果統一成Unicode編碼，亂碼問題從此消失了。但是，如果你寫的文本基本上全部是英文的話，用Unicode編碼比ASCII編碼需要多一倍的存儲空間，在存儲和傳輸上就十分不劃算。

是以，本着節約的精神，又出現了把Unicode編碼轉化為“可變長編碼”的UTF-8編碼。UTF-8編碼把一個Unicode字元根據不同的數字大小編碼成1-6個位元組，常用的英文字母被編碼成1個位元組，漢字通常是3個位元組，隻有很生僻的字元才會被編碼成4-6個位元組。如果你要傳輸的文本包含大量英文字元，用UTF-8編碼就能節省空間：

字元	ASCII	Unicode	UTF-8
A	01000001	00000000 01000001	01000001
中	x	01001110 00101101	11100100 10111000 10101101

從上面的表格還可以發現，UTF-8編碼有一個額外的好處，就是ASCII編碼實際上可以被看成是UTF-8編碼的一部分，是以，大量隻支援ASCII編碼的曆史遺留軟體可以在UTF-8編碼下繼續工作。

搞清楚了ASCII、Unicode和UTF-8的關系，我們就可以總結一下現在計算機系統通用的字元編碼工作方式：

在計算機記憶體中，統一使用Unicode編碼，當需要儲存到硬碟或者需要傳輸的時候，就轉換為UTF-8編碼。

用記事本編輯的時候，從檔案讀取的UTF-8字元被轉換為Unicode字元到記憶體裡，編輯完成後，儲存的時候再把Unicode轉換為UTF-8儲存到檔案：

浏覽網頁的時候，伺服器會把動态生成的Unicode内容轉換為UTF-8再傳輸到浏覽器：

是以你看到很多網頁的源碼上會有類似

<meta charset="UTF-8" />

的資訊，表示該網頁正是用的UTF-8編碼。