字符集和编码方式

字节

字节是计算存储容量的一种计量单位。因为计算机只能识别1和0组成的二进制位，一个数就是1位（bit），8位就是一个字节。

例如 ：00001111 这个8位二进制数就占了一个字节的存储容量。

字符

任何一个文字或符号都是一个字符，但所占字节不一定，不同的编码导致一个字符所占的内存不同。

例如：标点符号‘+’是一个字符，汉字‘我们’是两个字符，在GBK编码中一个汉字占2个字节，在UTF-8编码中一个汉字占3个字节。

编码规范

程序员们希望在计算机中显示字符，但计算机只能识别0和1的二进制数，于是国际组织就制定了编码规范，希望使用不同的二进制数来表示不同的字符，这样计算机就可以根据二进制数来显示其对应的字符。

例如：GBK 编码规范，计算机可以在中文字符和二进制数之间相互转换，而使用GBK编码也就可以使计算机显示中文字符。

• 字库表

  一套编码规范不一定包含世界上所有的字符，每套编码规范都有自己的使用场景。而字库表就存储了编码规范中能显示的所有字符，计算机根据二进制数从字库表中找到字符然后显示给用户，相当于一个存储字符的数据库。

  例如：几乎所有汉字都保存在GBK 编码规范的字库表中，所以计算机可以显示汉字，但法语，俄语并不在其字库表中，所以GBK不能显示法语，俄语等不包含在其中的字符。

• 字符集

  在一个字库表中，每一个字符都有一个对应的二进制地址，而字符集就是这些地址的集合。

  例如：在ASCII编码字符集中，字母A的序号（地址）是65，65的二进制就是01000001。我们可以说编码字符集就是用来存储这些二进制数的，而这个二进制数就是编码字符集中的一个元素，同时它也是字库表中字母A的地址，我们根据这个地址就可以显示出字母A。

• 编码方式

  直接使用字符对应的二进制地址来显示文字是十分浪费的，Unicode 编码规范中包括了几百万个字符，起码需要3个字节的容量，为了方便将来扩展Unicode还保留了更多未使用的空间，最多可以存储4个字节的容量。

  因此为了区分每个字符，哪怕是00000000 00000000 00000000 00001111这种其实只占了1个字节的字符，也要为他分配4个字节的空间，这就导致一个可以用1G保存的文件，现在需要4G才能保存，这是极其浪费的做法。

  于是程序员制定了一套算法来节省空间，而每种不同的算法都被称作一种编码方式。一套编码规范可以有多种不同的编码方式，不同的编码方式有不同的适应场景。

  例如：UTF-8就是一种编码方式，Unicode是一种编码规范。此外，Unicode还有UTF-16,UTF-32的编码方式，不同的编码方式节约的空间不同。

  一个较短的二进制数，通过一种编码方式，转换成编码字符集中正常的地址，然后在字库表中找到一个对应的字符，最终显示给用户。

常见编码方式

• ASCII

  ASCII码，是最早产生的编码规范，一共包含00000000~01111111共128个字符，可以表示阿拉伯数字和大小写英文字母，以及一些简单的符号。ASCII码只需要1个字节的存储空间，最高位为0。它没有特定的编码方式，直接使用地址对应的二进制数来表示。

• GBK

  GBK支持国际标准ISO/IEC10646-1和国家标准GB13000-1中的全部中日韩汉字。GBK字符集中所有字符占2个字节，不论中文英文都是2个字节。 没有特殊的编码方式，一般在国内，汉字较多时使用。

• ISO-8859-1

  ISO-8859-1收录的字符除ASCII收录的字符外，还包括西欧语言、希腊语、泰语、阿拉伯语、希伯来语对应的文字符号。因为ISO-8859-1编码范围使用了单字节内的所有空间，在支持ISO-8859-1的系统中传输和存储其他任何编码的字节流都不会被抛弃。换言之，把其他任何编码的字节流当作ISO-8859-1编码看待都没有问题。这是个很重要的特性，MySQL数据库默认编码是Latin1就是利用了这个特性。ASCII编码是一个7位的容器，ISO-8859-1编码是一个8位的容器。ISO-8859-1只占1个字节，且MySQL数据库默认编码就是ISO-8859-1。

• Unicode

  从以上几种编码规范可以看出，各种编码规范互不兼容，且只能表示自己需要的字符，于是，国际标准化组织（ISO）决定制定一套全世界通用的编码规范Unicode。

  Unicode包含了全世界所有的字符。Unicode最多可以保存4个字节容量的字符。也就是说，要区分每个字符，每个字符的地址需要4个字节。这是十分浪费存储空间的，于是，程序员就设计了几种字符编码方式，比如：UTF-8,UTF-16,UTF-32。

  最广为程序员使用的就是UTF-8，UTF-8是一种变长字符编码，注意：UTF-8不是编码规范，而是编码方式。

  编码规则表

  

  如上表所示，对于只需要1个字节的字符，UTF-8采用ASCII码的编码方式，最高位补0来表示。

  例如：01000001我们就是用01000001来表示，对于一个字节的字符，其实就是直接使用地址表示。

  而对于n个字节的字符（n>1），即大于一个字节的字符，采用第一个字节前n位补1。第n+1位填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。

  例如：汉字严的Unicode码是4E25转换成二进制就是01001110 00100101共15位，根据上表可知使用UTF-8字符编码后占3个字节，因此前3位是1，第4位（n+1位）是0，后面两个字节中每个字节的前两位都是10,即1110 xxxx 10 xxxxxx 10xxxxxx。填充进去后就变成了1110 0100 10 111000 10 100101共计24位占3个字节。

  由此可见，英文在UTF-8字符编码后只占1个字节，中文占了3个字节。

  虽然UTF-8编码没有GBK编码占的空间小，但它胜在面向全世界，至于使用哪一种编码还是取决于具体的使用环境。

编码与解码

一串二进制数，使用一种编码方式，转换成字符，这个过程我们称之为解码。使用错误的编码方式，产生其他不合理的字符，这就是我们通常说的乱码。

一串已经解码后的字符，我们也可以选用任意类型的编码方式重新转换成一串二进制数，这个过程就是编码。无论使用哪一种编码方式进行编码，最终都是产生计算机可识别的二进制数，但如果编码规范的字库表不包含目标字符，则无法在字符集中找到对应的二进制数。这将导致不可逆的乱码！例如：像ISO-8859-1的字库表中不包含中文，因此哪怕将中文字符使用ISO-8859-1进行编码，再使用ISO-8859-1进行解码，也无法显示出正确的中文字符。