文章目录
  1. 1. 一. ASCII
    1. 1.1. 1. 背景:
    2. 1.2. 2. 对照表:
  2. 2. 二. UNICODE
    1. 2.1. 1. 背景:为什么需要unicode?
    2. 2.2. 2. 概念:
    3. 2.3. 3. 核心逻辑:
  3. 3. 三. UTF8
    1. 3.1. 1. 背景:
    2. 3.2. 2. 概念:
    3. 3.3. 3. 核心:
  4. 4. 四. 其他探讨
    1. 4.1. 1. big endian和little endian
    2. 4.2. 2. 推荐一个查unicode码的网站
  5. 5. 参考文献:

建议大家先阅读一下字符编码详解及由来
好了,是不是感觉头脑里即清晰又模糊,ok,接下来我们对ASCII,UNICODE,UTF8来做一下解释

一. ASCII

1. 背景:

我们知道,在计算机内部,所有的信息最终都表示为一个二进制的字符串。每一个二进制位(bit)有0和1两种状态,因此八个二进制位就可以组合出256种状态,这被称为一个字节(byte)。也就是说,一个字节一共可以用来表示256种不同的状态,每一个状态对应一个符号,就是256个符号,从0000000到11111111。
上个世纪60年代,美国制定了一套字符编码,对英语字符与二进制位之间的关系,做了统一规定。这被称为ASCII码,一直沿用至今。
ASCII码一共规定了128个字符的编码,比如空格”SPACE”是32(二进制00100000),大写的字母A是65(二进制01000001)。这128个符号(包括32个不能打印出来的控制符号),只占用了一个字节的后面7位,最前面的1位统一规定为0。

2. 对照表:

image

二. UNICODE

1. 背景:为什么需要unicode?

英语用128个符号编码就够了,但是用来表示其他语言,128个符号是不够的。比如,在法语中,字母上方有注音符号,它就无法用ASCII码表示。于是,一些欧洲国家就决定,利用字节中闲置的最高位编入新的符号。比如,法语中的é的编码为130(二进制10000010)。这样一来,这些欧洲国家使用的编码体系,可以表示最多256个符号。
但是,这里又出现了新的问题。不同的国家有不同的字母,因此,哪怕它们都使用256个符号的编码方式,代表的字母却不一样。比如,130在法语编码中代表了é,在希伯来语编码中却代表了字母Gimel (ג),在俄语编码中又会代表另一个符号。但是不管怎样,所有这些编码方式中,0–127表示的符号是一样的,不一样的只是128–255的这一段。
至于亚洲国家的文字,使用的符号就更多了,汉字就多达10万左右。一个字节只能表示256种符号,肯定是不够的,就必须使用多个字节表达一个符号。比如,简体中文常见的编码方式是GB2312,使用两个字节表示一个汉字,所以理论上最多可以表示256x256=65536个符号。

2. 概念:

一种统一规范的编码,将世界上所有的符号都纳入其中,防止其各个国家进行不同的扩展,出现类似gbk这种。每一个符号都给予一个独一无二的编码,那么乱码问题就会消失。这就是Unicode,就像它的名字都表示的,这是一种所有符号的编码。
目前实际应用的统一码版本对应于UCS-2,使用16位的编码空间。也就是每个字符占用2个字节。这样理论上一共最多可以表示216(即65536)个字符。基本满足各种语言的使用。实际上当前版本的统一码并未完全使用这16位编码,而是保留了大量空间以作为特殊使用或将来扩展。

3. 核心逻辑:

Unicode当然是一个很大的集合,现在的规模可以容纳100多万个符号。每个符号的编码都不一样,比如,U+0639表示阿拉伯字母Ain,U+0041表示英语的大写字母A,U+4E25表示汉字”严”。具体的符号对应表,可以查询unicode.org,或者专门的汉字对应表。

三. UTF8

1. 背景:

外国人使用的大部分是英文,这样的话只需要一个字节,国人使用的是中文,中文是双字节。如果统一用unicode会造成资源的浪费。UTF-8就是在互联网上使用最广的一种Unicode的实现方式。UTF-8是Unicode的实现方式之一

2. 概念:

UTF-8编码是Unicode字符集的一种编码方式,其特点是使用变长字节数来存储数据。1到4个byte

3. 核心:

image

单字节可编码的Unicode范围:\u0000~\u007F(0~127)
双字节可编码的Unicode范围:\u0080~\u07FF(128~2047)
三字节可编码的Unicode范围:\u0800~\uFFFF(2048~65535)
四字节可编码的Unicode范围:\u10000~\u1FFFFF(65536~2097151)

在ASCII码的范围,用一个字节表示,超出ASCII码的范围就用字节表示,这就形成了我们上面看到的UTF-8的表示方法,这様的好处是当UNICODE文件中只有ASCII码时,存储的文件都为一个字节,所以就是普通的ASCII文件无异,读取的时候也是如此,所以能与以前的ASCII文件兼容。
大于ASCII码的,就会由上面的第一字节的前几位表示该unicode字元的长度,比如110xxxxxx前三位的二进制表示告诉我们这是个2BYTE的UNICODE字元;1110xxxx是个三位的UNICODE字元,依此类推;xxx的位置由字符编码数的二进制表示的位填入。越靠右的x具有越少的特殊意义。只用最短的那个足够表达一个字符编码数的多字节串。注意在多字节串中,第一个字节的开头”1”的数目就是整个串中字节的数目。

四. 其他探讨

1. big endian和little endian

big endian和little endian是CPU处理多字节数的不同方式。例如“汉”字的Unicode编码是6C49。那么写到文件里时,究竟是将6C写在前面,还是将49写在前面?如果将6C写在前面,就是big endian。如果将49写在前面,就是little endian。
“endian”这个词出自《格列佛游记》。小人国的内战就源于吃鸡蛋时是究竟从大头(Big-Endian)敲开还是从小头(Little-Endian)敲开,由此曾发生过六次叛乱,一个皇帝送了命,另一个丢了王位。
我们一般将endian翻译成“字节序”,将big endian和little endian称作“大尾”和“小尾”。

2. 推荐一个查unicode码的网站

unicode的chart对照表,里面记录了每个字符的对应的unicode码,如果这里查不到可以去unicode的维基百科

参考文献:

1.维基百科 ASCII
2.维基百科 UTF-8
3.维基百科 UTF-16
4.维基百科 Unicode
5.字符编码笔记:ASCII,Unicode和UTF-8
6.为什么UTF-8没有字节序问题?
7.谈谈Unicode编码,简要解释UCS、UTF、BMP、BOM等名词

文章目录
  1. 1. 一. ASCII
    1. 1.1. 1. 背景:
    2. 1.2. 2. 对照表:
  2. 2. 二. UNICODE
    1. 2.1. 1. 背景:为什么需要unicode?
    2. 2.2. 2. 概念:
    3. 2.3. 3. 核心逻辑:
  3. 3. 三. UTF8
    1. 3.1. 1. 背景:
    2. 3.2. 2. 概念:
    3. 3.3. 3. 核心:
  4. 4. 四. 其他探讨
    1. 4.1. 1. big endian和little endian
    2. 4.2. 2. 推荐一个查unicode码的网站
  5. 5. 参考文献: