字符编码基础知识汇总-2023年个人用心整理.docx

《字符编码基础知识汇总-2023年个人用心整理.docx》由会员分享，可在线阅读，更多相关《字符编码基础知识汇总-2023年个人用心整理.docx（61页珍藏版）》请在第一文库网上搜索。

1、ASCH、UniCode和UTF-8之间的关系字符编码是计算机技术的基石，想要熟练使用计算机，就必须懂得一点字符编码的知识。一、ASCII码我们知道，计算机内部，所有信息最终都是一个二进制值。每一个二进制位（bit）有0和I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）o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Oooooooo到I1111111。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

2、编码，比如空格SPACE是32（二进制O（HOOoo0）,大写的字母A是65（二进制O1OOoOO1）。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，最前面的一位统一规定为0。二、非ASCII编码英语用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6的编码为130（二进制Iooooo10）0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

3、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6,在希伯来语编码中却代表了字母GiineIQ）,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，O-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。中文编码的问题需要专文讨论，这篇笔记不涉及。这里只指出，

4、虽然都是用多个字节表示一个符号，但是GB类的汉字编码与后文的Unicode和UTF-8是毫无关系的。三.Unicode正如上一节所说，世界上存在着多种编码方式，同一个二进制数字可以被解释成不同的符号。因此，要想打开一个文本文件，就必须知道它的编码方式，否则用错误的编码方式解读，就会出现乱码。为什么电子邮件常常出现乱码？就是因为发信人和收信人使用的编码方式不一样。可以想象，如果有一种编码，将世界上所有的符号都纳入其中。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。Unicode当然是一个很大的集合，现在的规模可以容纳

5、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UniCodeOr即或者专门的汉字对应表。四、Unicode的问题需要注意的是，Unicode只是一个符号集，它只规定了符号的二进制代码，却没有规定这个二进制代码应该如何存储。比如，汉字严的Unicode是十六进制数4E25,转换成二进制数足足有15位(Ioo111ooo1oo1o1),也就是说，这个符号的表示至少需要2个字节。表示其他更大的符号，可能需要3个字节或者4个字节，甚至更多。这里就有两个严重的问题，第一个问题是，如何才

6、能区别Unicode和ASCII?计算机怎么知道三个字节表示一个符号，而不是分别表示三个符号呢？第二个问题是，我们已经知道，英文字母只用一个字节表示就够了，如果Unicode统一规定，每个符号用三个或四个字节表示，那么每个英文字母前都必然有二到三个字节是0,这对于存储来说是极大的浪费，文本文件的大小会因此大出二三倍，这是无法接受的。它们造成的结果是：1)出现了Unicode的多种存储方式，也就是说有许多种不同的二进制格式，可以用来表示Unicodeo2)Unicode在很长一段时间内无法推广，直到互联网的出现。五、UTF-8互联网的普及，强烈要求出现一种统一的编码方式。UTF-8就是在互联网上

7、使用最广的一种Unicode的实现方式。其他实现方式还包括UTF-16（字符用两个字节或四个字节表示）和UTF-32（字符用四个字节表示），不过在互联网上基本不用。重复一遍，这里的关系是，UTF-8是Unicode的实现方式之一。UTF-8最大的一个特点，就是它是一种变长的编码方式。它可以使用14个字节表示一个符号，根据不同的符号而变化字节长度。UTF-8的编码规则很简单，只有二条：1）对于单字节的符号，字节的第一位设为0,后面7位为这个符号的Unicode码。因此对于英语字母，UTF-8编码和ASCII码是相同的。2）对于n字节的符号（n1）,第一个字节的前n位都设为1,第n+1位设为0,后

8、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O下表总结了编码规则，字母X表示可用编码的位：00000080-000007FF1IOxxxxx10xxxxxx00000800-0000FFFF00010000-0010FFFF11IOxxxx10xxxxxx10xxxxxx111IOxxx10xxxxxx10xxxxxx10xxxxxx跟据上表，解读UTF-8编码非常简单。如果一个字节的第一位是0,则这个字节单独就是一个字符；如果第一位是1,则连续有多少个1,就表示当前字符占用多少个字节。下面，还是以汉字严为例，演示如何实现UTF-8编码：严的Unico

9、de是4E25(100111000100101),根据上表，可以发现4E25处在第三行的范围内(00000800-0000FFFF),因此严的utf-8编码需要三个字节，即格式是I11oXXXX1Oxxxxxx10xxxxxxo然后，从严的最后一个二进制位开始，依次从后向前填入格式中的x,多出的位补0。这样就得到了，严的UTF-8编码是1001001011100010100101,转换成十六进制就是E4B8A5。六、Unicode与UTF-8之间的转换通过上一节的例子，可以看到严的UniCode码是4E25,UTF-8编码是E4B8A5,两者是不一样的。它们之间的转换可以通过程序实现。Wind

10、oWS平台，有一个最简单的转化方法，就是使用内置的记事本小程序notepad.exeo打开文件后，点击文件菜单中的另存为命令，会跳出一个对话框，在最底部有一个编码的下拉条：a另存为个1BPer(E)SVN502_03.SoftwareJ93503.Softwre娟织折鼻文件夹除三-O)下爱A名称修改日期费里大小小青乐Web2018/6/2615:13文际真前ii.Windows10(C_App(D:).Per(E:)-Co(fi)_BackUp(G:)akcd讴Za()NShare(192.1(工Mg(192.168/3fs(172.16.1；SWS!(D:呷):ANS17ANS1Unicod

11、eIMK5?!UnicodebigendianUTF-8里面有四个选项：ANSI,Unicode,Unicodebigendian和UTF-8。DANSI是默认的编码方式。对于英文文件是ASCn编码，对于简体中文文件是GB23I2编码（只针对Windows简体中文版，如果是繁体中文版会采用Bif2） UniCOde编码这里指的是notepad,exe使用的UCS-2编码方式，即直接用两个字节存入字符的Unicode码,这个选项用的1itt1eendian格式。3） Unicodebigendian编码与上一个选项相对应。我在下一节会解释1itt1eendian和bigendian的涵义。4）

12、UTF-8编码，也就是上一节谈到的编码方法。码）。选择完编码方式后，点击保存按钮，文件的编码方式就立刻转换好了。七、1itt1eendian和Bigendian上一节已经提到，UCS-2格式可以存储Unicode码(码点不超过OXFFFF)。以汉字严为例，Unicode码是4E25,需要用两个字节存储，一个字节是4E,另一个字节是25。存储的时候，4E在前，25在后，这就是Bigendian方式；25在前，4E在后，这是1itt1eendian方式。这两个古怪的名称来自英国作家斯威夫特的格列佛游记。在该书中，小人国里爆发了内战，战争起因是人们争论，吃鸡蛋时究竟是从大头(Big-endian)敲

13、开还是从小头(1ittIe-endian)敲开。为了这件事情，前后爆发了六次战争，一个皇帝送了命，另一个皇帝丢了王位。第一个字节在前，就是大头方式(Bigendian),第二个字节在前就是小头方式(1itt1eendian)那么很自然的，就会出现一个问题：计算机怎么知道某一个文件到底采用哪一种方式编码？Unicode规范定义，每一个文件的最前面分别加入一个表示编码顺序的字符，这个字符的名字叫做零宽度非换行空格(zerowidthno-breakspace),用FEFF表示。这正好是两个字节，而且FF比FE大1如果一个文本文件的头两个字节是FEFF,就表示该文件采用大头方式；如果头两个字节是FF

14、FE,就表示该文件采用小头方式。八、实例下面，举一个实例。打开记事本程序notepad.exe,新建一个文本文件，内容就是一个严字，依次采用ANS1Unicode,Unicodebigendian和UTF-8编码方式保存。然后，用文本编辑软件U1traEC1it中的十六进制功能，观察该文件的内部编码方式。1) ANSI：文件的编码就是两个字节DICF,这正是严的GB2312编码，这也暗示GB2312是采用大头方式存储的。2) Unicode：编码是四个字节FFFE254E,其中FFFE表明是小头方式存储，真正的编码是4E25。3) UniCo加bigendian：编码是四个字节FEFF4E25

15、,其中FEFF表明是大头方式存储。4) UTF-8：编码是六个字节EFBBBFE4B8A5,前三个字节EFBBBF表示这是UTF-8编码，后三个E4B8A5就是严的具体编码，它的存储顺序与编码顺序是一致的。1、ASCII（AmericanStandardCodeforInformationInterChange,美国信息互换标准代码,ASCII）是基于拉丁字母的一电脑编码系统，它主要用于显示现代英语和其他西欧语言.它是现今最通用的单字节编码系统,并等同于国际标准ISO/IEC646.2、ASCII码是一个7位的编码,且该编码是唯一的一个字符.在这个页面,你可以找到8位的256个字符,ASCH码表和Windows-1252（codepage1252,它是国际标准ISo8859T的一个扩展字符集）标准保持一致；3、ASCn码是AmeriCanStandardCodeforInformationInterChange的缩写，而不是ASCn（罗马数字2）,有很多人在这个地方产生误解；4、ASCn码规范于1967年第一次发布，最后一次更新是在1986年，它包含了33个控制字符(具有某些特殊功能但是无法显示的字符)和95个可显示字符；