字元編碼(ASCII，Unicode和UTF-8，GBK)

一.ASCII碼

1.1ASCII碼是什麼：

ASCII（American Standard Code for Information Interchange:美國資訊交換标準代碼）是基于拉丁字母的一套電腦編碼系統，主要用于顯示現代英語和其他西歐語言。

1.2解釋幾個概念

bit（比特）：表示資訊的最小機關，二進制中一位（bit）隻有兩種狀态0或者1。

byte（位元組）：八個二進制位（bit）組成一個位元組，一個位元組有2的8次方（256）種狀态。不同的狀态用來表示不同的字元。

1.3英語的128個

對于英語來說，因為其所有文字都可以使用26個字母來組合表示，再加上數字，計算機中的控制符等128個就夠用了。

計算機内部，所有的資訊最終都表示為一個二進制的字元串，上個世紀60年代，美國制定了一套字元編碼，對英語字元與二進制位之間的關系，做了統一規定。這被稱為ASCII碼，一直沿用至今。

ASCII碼一共規定了128個字元的編碼，比如空格"SPACE"是32（二進制00100000），大寫的字母A是65（二進制01000001）。這128個符号（包括32個不能列印出來的控制符号），隻占用了一個位元組的後面7位，最前面的1位統一規定為0。

1.4ASCII碼的局限性

英語用128個符号編碼就夠了，但是用來表示其他語言，128個符号是不夠的。比如，在法語中，字母上方有注音符号，它就無法用ASCII碼表示。于是，一些歐洲國家就決定，利用位元組中閑置的最高位編入新的符号。比如，法語中的é的編碼為130（二進制10000010）。這樣一來，這些歐洲國家使用的編碼體系，可以表示最多256個符号。但是，這裡又出現了新的問題。不同的國家有不同的字母，是以，哪怕它們都使用256個符号的編碼方式，代表的字母卻不一樣。比如，130在法語編碼中代表了é，在希伯來語編碼中卻代表了字母Gimel (ג)，在俄語編碼中又會代表另一個符号。但是不管怎樣，所有這些編碼方式中，0–127表示的符号是一樣的，不一樣的隻是128–255的這一段。至于亞洲國家的文字，使用的符号就更多了，漢字就多達10萬左右。一個位元組隻能表示256種符号，肯定是不夠的，就必須使用多個位元組表達一個符号。比如，簡體中文常見的編碼方式是GB2312，使用兩個位元組表示一個漢字，是以理論上最多可以表示256x256=65536個符号。

二.Unicode

2.1大一統的Unicode

世界上有多重編碼方式，同一個二進制數字可以被解釋成不同的符号。

同一個文本檔案如果不知道它的編碼方式，使用錯誤的編碼方式打開，那麼就會出現亂碼。我們迫切的需要一種統一的編碼方式，

這就是Unicode。

Unicode當然是一個很大的集合，現在的規模可以容納100多萬個符号。每個符号的編碼都不一樣。

2.2Unicode存在的問題

需要注意的是，Unicode隻是一個符号集，它隻規定了符号的二進制代碼，卻沒有規定這個二進制代碼應該如何存儲。

舉個例子：

漢字"嚴"的unicode是十六進制數4E25，轉換成二進制數足足有15位（100111000100101），也就是說這個符号的表示至少需要2個位元組。表示其他更大的符号，可能需要3個位元組或者4個位元組，甚至更多。

産生的問題

第一個問題是，如何才能差別Unicode和ASCII？計算機怎麼知道三個位元組表示一個符号，而不是分别表示三個符号呢？

第二個問題是，我們已經知道，英文字母隻用一個位元組表示就夠了，如果Unicode統一規定，每個符号用三個或四個位元組表示，那麼每個英文字母前都必然有二到三個位元組是0，這對于存儲來說是極大的浪費，文本檔案的大小會是以大出二三倍，這是無法接受的。

産生的結果

第一，出現了Unicode的多種存儲方式，也就是說有許多種不同的二進制格式，可以用來表示Unicode。

第二，Unicode在很長一段時間内無法推廣，直到網際網路的出現。

2.3UTF-8

UTF-8是Unicode的實作方式之一，在網際網路上使用最廣的一種Unicode的實作方式。其他實作方式還包括UTF-16（字元用兩個位元組或四個位元組表示）和UTF-32（字元用四個位元組表示），不過在網際網路上基本不用。

特點

UTF-8最大的一個特點，就是它是一種變長的編碼方式。它可以使用1~4個位元組表示一個符号，根據不同的符号而變化位元組長度。

UTF-8的編碼規則

1. 對于單位元組的符号，位元組的第一位設為0，後面7位為這個符号的unicode碼。是以對于英語字母，UTF-8編碼和ASCII碼是相同的。
2. 對于n位元組的符号（n>1），第一個位元組的前n位都設為1，第n+1位設為0，後面位元組的前兩位一律設為10。剩下的沒有提及的二進制位，全部為這個符号的unicode碼。

示例編碼規則

下表總結了編碼規則，字母x表示可用編碼的位。

Unicode符号範圍(十六進制)	UTF-8編碼方式（二進制）
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

參照上表，解讀UTF-8編碼非常簡單。如果一個位元組的第一位是0，則這個位元組單獨就是一個字元；如果第一位是1，則連續有多少個1，就表示目前字元占用多少個位元組。

具體示例

下面，還是以漢字"嚴"為例，示範如何實作UTF-8編碼。

已知"嚴"的unicode是4E25（100111000100101），根據上表，可以發現4E25處在第三行的範圍内（0000 0800-0000 FFFF），是以"嚴"的UTF-8編碼需要三個位元組，即格式是"1110xxxx 10xxxxxx 10xxxxxx"。然後，從"嚴"的最後一個二進制位開始，依次從後向前填入格式中的x，多出的位補0。這樣就得到了，“嚴"的UTF-8編碼是"11100100 10111000 10100101”，轉換成十六進制就是E4B8A5。

三.GBK

GBK全稱《漢字内碼擴充規範》（GBK即“國标”、“擴充”漢語拼音的第一個字母，英文名稱：Chinese Internal Code Specification） ，我們國家針對漢字的編碼标準。