ASCII、Unicode、GBK和UTF-8

ASCII、Unicode、GBK和UTF-8字元編碼的差別聯系

很久很久以前，有一群人，他們決定用8個可以開合的半導體來組合成不同的狀态，以表示世界上的萬物。他們看到8個開關狀态是好的，于是他們把這稱為”位元組“。再後來，他們又做了一些可以處理這些位元組的機器，機器開動了，可以用位元組來組合出很多狀态，狀态開始變來變去。他們看到這樣是好的，于是它們就這機器稱為”計算機“。

開始計算機隻在美國用。八位的位元組一共可以組合出256(2的8次方)種不同的狀态。他們把其中的編号從0開始的32種狀态分别規定了特殊的用途，一但終端、列印機遇上約定好的這些位元組被傳過來時，就要做一些約定的動作。遇上0×10, 終端就換行，遇上0×07, 終端就向人們嘟嘟叫，例好遇上0x1b, 列印機就列印反白的字，或者終端就用彩色顯示字母。他們看到這樣很好，于是就把這些0×20以下的位元組狀态稱為”控制碼”。他們又把所有的空格、标點符号、數字、大小寫字母分别用連續的位元組狀态表示，一直編到了第127号，這樣計算機就可以用不同位元組來存儲英語的文字了。大家看到這樣，都感覺很好，于是大家都把這個方案叫做 ANSI的”Ascii”編碼（American StandardCode for Information Interchange，美國資訊互換标準代碼）。當時世界上所有的計算機都用同樣的ASCII方案來儲存英文文字。

後來，就像建造巴比倫塔一樣，世界各地的都開始使用計算機，但是很多國家用的不是英文，他們的字母裡有許多是ASCII裡沒有的，為了可以在計算機儲存他們的文字，他們決定采用 127号之後的空位來表示這些新的字母、符号，還加入了很多畫表格時需要用下到的橫線、豎線、交叉等形狀，一直把序号編到了最後一個狀态255。從128 到255這一頁的字元集被稱”擴充字元集“。從此之後，貪婪的人類再沒有新的狀态可以用了，美帝國主義可能沒有想到還有第三世界國家的人們也希望可以用到計算機吧！

等中國人們得到計算機時，已經沒有可以利用的位元組狀态來表示漢字，況且有6000多個常用漢字需要儲存呢。但是這難不倒智慧的中國人民，我們不客氣地把那些127号之後的奇異符号們直接取消掉, 規定：一個小于127的字元的意義與原來相同，但兩個大于127的字元連在一起時，就表示一個漢字，前面的一個位元組（他稱之為高位元組）從0xA1用到 0xF7，後面一個位元組（低位元組）從0xA1到0xFE，這樣我們就可以組合出大約7000多個簡體漢字了。在這些編碼裡，我們還把數學符号、羅馬希臘的字母、日文的假名們都編進去了，連在 ASCII 裡本來就有的數字、标點、字母都統統重新編了兩個位元組長的編碼，這就是常說的”全角”字元，而原來在127号以下的那些就叫”半角”字元了。中國人民看到這樣很不錯，于是就把這種漢字方案叫做 “GB2312“。GB2312 是對 ASCII 的中文擴充。

但是中國的漢字太多了，我們很快就就發現有許多人的人名沒有辦法在這裡打出來，特别是某些很會麻煩别人的國家上司人。于是我們不得不繼續把 GB2312 沒有用到的碼位找出來老實不客氣地用上。後來還是不夠用，于是幹脆不再要求低位元組一定是127号之後的内碼，隻要第一個位元組是大于127就固定表示這是一個漢字的開始，不管後面跟的是不是擴充字元集裡的内容。結果擴充之後的編碼方案被稱為 GBK 标準，GBK包括了GB2312 的所有内容，同時又增加了近20000個新的漢字（包括繁體字）和符号。後來少數民族也要用電腦了，于是我們再擴充，又加了幾千個新的少數民族的字，GBK擴成了 GB18030。從此之後，中華民族的文化就可以在計算機時代中傳承了。中國的程式員們看到這一系列漢字編碼的标準是好的，于是通稱他們叫做 “DBCS“（Double ByteCharecter Set 雙位元組字元集）。在DBCS系列标準裡，最大的特點是兩位元組長的漢字字元和一位元組長的英文字元并存于同一套編碼方案裡，是以他們寫的程式為了支援中文處理，必須要注意字串裡的每一個位元組的值，如果這個值是大于127的，那麼就認為一個雙位元組字元集裡的字元出現了。那時候凡是受過加持，會程式設計的計算機僧侶們都要每天念下面這個咒語數百遍： “一個漢字算兩個英文字元！一個漢字算兩個英文字元……”

因為當時各個國家都像中國這樣搞出一套自己的編碼标準，結果互相之間誰也不懂誰的編碼，誰也不支援别人的編碼，連大陸和台灣這樣隻相隔了150海裡，使用着同一種語言的兄弟地區，也分别采用了不同的 DBCS 編碼方案——當時的中國人想讓電腦顯示漢字，就必須裝上一個”漢字系統”，專門用來處理漢字的顯示、輸入的問題，但是那個台灣的愚昧封建人士寫的算命程式就必須加裝另一套支援 BIG5 編碼的什麼”倚天漢字系統”才可以用，裝錯了字元系統，顯示就會亂了套！這怎麼辦？而且世界民族之林中還有那些一時用不上電腦的窮苦人民，他們的文字又怎麼辦？真是計算機的巴比倫塔命題啊！

正在這時，大天使加百列及時出現了——一個叫 ISO （國際标誰化組織）的國際組織決定着手解決這個問題。他們采用的方法很簡單：廢了所有的地區性編碼方案，重新搞一個包括了地球上所有文化、所有字母和符号的編碼！他們打算叫它”UniversalMultiple-Octet Coded Character Set”，簡稱 UCS, 俗稱 “unicode“。

unicode開始制訂時，計算機的存儲器容量極大地發展了，空間再也不成為問題了。于是 ISO 就直接規定必須用兩個位元組，也就是16位來統一表示所有的字元，對于ASCII裡的那些“半角”字元，unicode包持其原編碼不變，隻是将其長度由原來的8位擴充為16位，而其他文化和語言的字元則全部重新統一編碼。由于”半角”英文符号隻需要用到低8位，是以其高8位永遠是0，是以這種大氣的方案在儲存英文文本時會多浪費一倍的空間。

這時候，從舊社會裡走過來的程式員開始發現一個奇怪的現象：他們的strlen函數靠不住了，一個漢字不再是相當于兩個字元了，而是一個！是的，從unicode開始，無論是半角的英文字母，還是全角的漢字，它們都是統一的”一個字元“！同時，也都是統一的”兩個位元組“，請注意”字元”和”位元組”兩個術語的不同，“位元組”是一個8位的實體存貯單元，而“字元”則是一個文化相關的符号。在unicode中，一個字元就是兩個位元組。一個漢字算兩個英文字元的時代已經快過去了。

unicode同樣也不完美，這裡就有兩個的問題，一個是，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，這對于存儲空間來說是極大的浪費，文本檔案的大小會是以大出二三倍，這是難以接受的。

unicode在很長一段時間内無法推廣，直到網際網路的出現，為解決unicode如何在網絡上傳輸的問題，于是面向傳輸的衆多 UTF（UCS Transfer Format）标準出現了，顧名思義，UTF-8就是每次8個位傳輸資料，而UTF-16就是每次16個位。UTF-8就是在網際網路上使用最廣的一種unicode的實作方式，這是為傳輸而設計的編碼，并使編碼無國界，這樣就可以顯示全世界上所有文化的字元了。

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，當字元在ASCII碼的範圍時，就用一個位元組表示，保留了ASCII字元一個位元組的編碼做為它的一部分，注意的是unicode一個中文字元占2個位元組，而UTF-8一個中文字元占3個位元組）。從unicode到uft-8并不是直接的對應，而是要過一些算法和規則來轉換。

Unicode符号範圍 | UTF-8編碼方式

(十六進制)        |        （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

之前一直對字元編碼很模糊，網查資料被忽悠地暈頭轉向，看完這篇風趣的文章，把之前模糊的知識點串聯起來，并稍加總結，我和我的小夥伴們都明白了！