计算机编码介绍

Mr.Hope ... 2019-12-27 基础 大约 6 分钟

计算机,不能直接存储文字,存储的是编码。

计算机只能处理二进制的数据,也就是说计算机只能处理数字。如果要处理文本,比如: 0-9a-zA-Z,就必须先把文本转换为数字才能处理。对于这些字符,可以定义一套规则来显示,比如: A110 表示,B111 表示等。

# 字符编码

最早的计算机在设计时采用 8 个比特(bit)作为一个字节(byte),所以,一个字节能表示的最大的整数就是 255(二进制 11111111=十进制 255),如果要表示更大的整数,就必须用更多的字节。比如两个字节可以表示的最大整数是 65535,4 个字节可以表示的最大整数是 4294967295

由于计算机是美国人发明的,因此,最早只有 127 个字符被编码到计算机里,也就是大小写英文字母、数字和一些符号,这个编码表被称为 ASCII 编码,比如大写字母 A 的编码是 65,小写字母 z 的编码是 122。

但是要处理中文显然一个字节是不够的,至少需要两个字节,而且还不能和 ASCII 编码冲突,所以,中国制定了 GB2312 编码,用来把中文编进去。

您可以想得到的是,全世界有上百种语言,日本把日文编到 Shift_JIS 里,韩国把韩文编到 Euc-kr 里,各国有各国的标准,就会不可避免地出现冲突,结果就是,在多语言混合的文本中,显示出来会有乱码。

因此,Unicode 应运而生。Unicode 把所有语言都统一到一套编码里,这样就不会再有乱码问题了。

Unicode 标准也在不断发展,但最常用的是用两个字节表示一个字符(如果要用到非常偏僻的字符,就需要 4 个字节)。现代操作系统和大多数编程语言都直接支持 Unicode。

现在,捋一捋 ASCII 编码和 Unicode 编码的区别: ASCII 编码是 1 个字节,而 Unicode 编码通常是 2 个字节。

字母 A 用 ASCII 编码是十进制的 65,二进制的 01000001;

字符 0 用 ASCII 编码是十进制的 48,二进制的 00110000,注意字符 '0' 和整数 0 是不同的;

汉字中已经超出了 ASCII 编码的范围,用 Unicode 编码是十进制的 20013,二进制的 01001110 00101101。

您可以猜测,如果把 ASCII 编码的 A 用 Unicode 编码,只需要在前面补 0 就可以,因此,A 的 Unicode 编码是 00000000 01000001。

新的问题又出现了: 如果统一成 Unicode 编码,乱码问题从此消失了。但是,如果您写的文本基本上全部是英文的话,用 Unicode 编码比 ASCII 编码需要多一倍的存储空间,在存储和传输上就十分不划算。

所以,本着节约的精神,又出现了把 Unicode 编码转化为“可变长编码”的 UTF-8 编码。UTF-8 编码把一个 Unicode 字符根据不同的数字大小编码成 1-6 个字节,常用的英文字母被编码成 1 个字节,汉字通常是 3 个字节,只有很生僻的字符才会被编码成 4-6 个字节。如果您要传输的文本包含大量英文字符,用 UTF-8 编码就能节省空间:

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

从上面的表格还可以发现,UTF-8 编码有一个额外的好处,就是 ASCII 编码实际上可以被看成是 UTF-8 编码的一部分,所以,大量只支持 ASCII 编码的历史遗留软件可以在 UTF-8 编码下继续工作。

搞清楚 ASCII、Unicode 和 UTF-8 的关系,现在可以总结计算机系统通用的字符编码工作方式:

在计算机内存中,统一使用 Unicode 编码,当需要保存到硬盘或者需要传输的时候,就转换为 UTF-8 编码。

用编辑器编辑的时候,从文件读取的 UTF-8 字符被转换为 Unicode 字符到内存里,编辑完成后,保存的时候再把 Unicode 转换为 UTF-8 保存到文件:

浏览网页的时候,服务器会把动态生成的 Unicode 内容转换为 UTF-8 再传输到浏览器:

所以您看到很多网页的源码上会有类似 <meta charset="UTF-8" /> 的信息,表示该网页正是用的 UTF-8 编码。

# ASCII 码

美国发布的,用 1 个字节 (8 位二进制) 来表示一个字符,共可以表示 28=256 个字符。

美国的国家语言是英语,只要能表示 0-9、a-z、A-Z、特殊符号。

# ANSI 编码

每个国家为了显示本国的语言,都对 ASCII 码进行了扩展。用 2 个字节 (16 位二进制) 来表示一个汉字,共可以表示 216=655362^{16} = 65536 个汉字。例如:

  • 中国的 ANSI 编码是 GB2312 编码(简体),对 6763 汉字进行编码,含 600 多特殊字符。另外还有 GBK(简体)。
  • 日本的 ANSI 编码是 JIS 编码。
  • 台湾的 ANSI 编码是 BIG5 编码(繁体)。

# GBK

对 GB2312 进行了扩展,用来显示罕见的、古汉语的汉字。现在已经收录了 2.1 万左右。并提供了 1890 个汉字码位。K 的含义就是“扩展”。

# Unicode 编码(统一编码)

用 4 个字节 (32 位二进制) 来表示一个字符,想法不错,但效率太低。例如,字母 A 用 ASCII 表示的话一个字节就够,可用 Unicode 编码的话,得用 4 个字节表示,造成了空间的极大浪费。A 的 Unicode 编码是 0000 0000 0000 0000 0000 0000 0100 0000

# UTF-8 (Unicode Transform Format)编码

根据字符的不同,选择其编码的长度。比如:一个字符 A 用 1 个字节表示,一个汉字用 2 个字节表示。

毫无疑问,开发中,都用 UTF-8 编码吧,准没错。

提示

中文能够使用的字符集两种:

  • 第一种:UTF-8。UTF-8 是国际通用字库,里面涵盖了所有地球上所有人类的语言文字,比如阿拉伯文、汉语、老挝语……

  • 第二种:GBK (对 GB2312 进行了扩展)。gb2312 是国标,是中国的字库,里面涵盖了汉字和一些常用外文,比如日文片假名,和常见的符号。

字库规模: UTF-8 (字全) > gb2312 (只有汉字)

保存大小: UTF-8 (更臃肿、加载更慢) > gb2312 (更小巧,加载更快)