计算机常见的编码规范

有关编码的基础知识：

1.位 bit————>最小的单元

字节 byte————>机器语言的单位

1byte=8bits

1KB=1024byte

1MB=1024KB

1GB=1024MB

1TB=1024GB

2. 二进制 binary

八进制 octal

十进制 decimal

十六进制 hex

字符：是各种文字和符号的总称，包括各个国家的文字，标点符号，图形符号，数字等。
字符集：字符集是多个符号的集合，每个字符集包含的字符个数不同。
字符编码：字符集只是规定了有哪些字符，而最终决定采用哪些字符，每一 个字符用多少字节表示等问题，则是由编码来决定的。计算机要 准确的处理各种字符集文字，需要进行字符编码，以便计算机能够识别和存储各种文字。

常见字符集的编码介绍：

ASCII码：

• 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2^8=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000 0000到1111 1111。

• 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。

主要显示英语和一些西欧语言，是现今最通用的单字节编码系统。

• ASCII码一共规定了128个字符的编码。

包含内容：控制字符（回车键，退格，换行键等） 可显示字符（英文大小写，阿拉伯数字，西文符号） 扩展字符集（表格符号，计算符号，希腊字母，拉丁符号）。

• 编码方式： 第 0-31 号及 127 号是控制字符或通讯专用字符； 第 32-126 号是字符，其中 48-57 号为 0-9 十个阿拉伯数字，65-90 号为 26 个 大写英文字母，97-122 号为 26 个英文小写字母，其余为一些标点符号，运算符号等。

比如空格“SPACE”是32（二进制0010 0000）、大写的字母A是65（二进制0100 0001）；

• 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。

• 在计算机存储单元中，一个 ASCII 码值占一个字节（8 个二进制位），最高位是用作奇偶检验位。

【奇偶校验】

奇校验（odd parity）：让传输的数据（包含校验位）中1的个数为奇数。即：如果传输字节中1的个数是偶数，则校验位为“1”，奇数相反。以发送字符：1010 1010为例：

偶校验（even parity）：让传输的数据（包含校验位）中1的个数为偶数。即：如果传输字节中1的个数是偶数，则校验位为“0”，奇数相反。还是以发送字符：1010 1010为例：

ANSI编码：

• ANSI编码是一种对ASCII码的拓展：ANSI编码用0x00–0x7f （即十进制下的0到127）范围的1 个字节来表示 1 个英文字符，超出一个字节的 0x80~0xFFFF 范围来表示其他语言的其他字符。

• 也就是说，ANSI码仅在前128（0-127）个与ASCII码相同，之后的字符全是某个国家语言的所有字符。

• 为使计算机支持更多语言，通常使用 0x80~0xFFFF 范围的 2 个字节来表示 1 个字符。比如：汉字 ‘中’ 在ANSI编码的中文操作系统中，使用 [0xD6,0xD0] 这两个字节存储。

• 不同的国家和地区制定了不同的标准，由此产生了 GB2312、GBK、GB18030、Big5、Shift_JIS 等各自的编码标准。

• 这些使用多个字节来代表一个字符的各种汉字延伸编码方式，称为 ANSI 编码。

• 在简体中文Windows操作系统中，ANSI 编码代表 GBK 编码；在繁体中文Windows操作系统中，ANSI编码代表Big5；在日文Windows操作系统中，ANSI 编码代表 Shift_JIS 编码。

• 不同 ANSI 编码之间互不兼容，当信息在国际间交流时，无法将属于两种语言的文字，存储在同一段 ANSI 编码的文本中。

• ANSI编码表示英文字符时用一个字节，表示中文用两个或四个字节。

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é的编码为130（二进制1000 0010）。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256×256=65536个符号。

Unicode编码：

• 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，它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100多万个符号。每个符号的编码都不一样。

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。

• 这里就有两个严重的问题：

• 第一个问题是，如何才能区别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：

• 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Unicode。

• Unicode在很长一段时间内无法推广，直到互联网的出现。

• Unicode 允许在同一服务器上混合使用不同语言，它为每种语言的每个字符设定了统一并且唯一的二进制编码，以满足跨平台，跨语言进行文本转换，处理的要求。

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就是在互联网上使用最广的一种Unicode的实现方式。其他实现方式还包括UTF-16和UTF-32，不过在互联网上基本不用。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，可以使用1~4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：

• 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。
• 对于n字节的符号（n>1），第一个字节的前n位都设为1，第n+1位设为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。

GB2312 字符集：

• 定义： 信息交换用汉字编码字符集。是中国标准的简体中文字符集，它所收录的汉 字已经覆盖 99.75%的使用频率，在*和新加坡广泛使用。
• 包含内容： GB2312 收录了简化汉字及一般字符，序号，数字，拉丁字母，日文假名， 希腊字母，俄文字母，汉语拼音符号，汉语注音字母，共 7445 个图形字符。 其中包括 6763 个汉字，一级汉字 3755 个，二级汉字 3008 个。

GBK 字符集：

• 定义： GBK 是 GB2312 字符集的扩展，它收录了 21886 个符号，分为汉字区和图形符号区， 汉字区包括 21003 个字符。GBK 字符集主要扩展了繁体中文字的支持。

BIG5 字符集：

• 定义： 又称大五码，由*五家软件公司创立。因为当时*没有一个标准的字符集，而且 GB2312 又没有收录繁体字，所以才推出了 BIG5。
• 包含内容： BIG5 字符集共收录了 13053 个中文字，该字符集在*使用。但是没有考虑到社会上流通的人名，地方用字，方言用字，化学及生物科等用字，没有包含日文平假名及片假字母。

GB18030 字符集：

• 定义： GB18030 字符集标准解决汉字，日文假名，朝鲜语和中国少数民族文字组成 的大字符集计算机编码问题。
• 包含内容： 该标准的字符总编码空间超过 150 万个编码位，收录了 27484 个汉字，覆盖中文，日文，朝鲜语和中国少数民族文字。满足*，香港，*，日 本和韩国等东南亚地区信息交换多文种，大字量，多用途，统一编码格式的 要求。

总结：

• 从 ASCII，GB2312，GBK 到 GB18030，这些编码方法是向下兼容的，即同一 个字符在这些方案中总是有相同的编码，后面的标准支持更多的字符。在这些编码中，英文和中文可以统一的处理。区分中文编码的方法是高字节的最高位不为 0。

• 计算机使用的缺省编码方式就是计算机的内码。有的中文 windows 的缺省内码还是 GBK，可以通过 GB18030 升级包升级到 GB1030。不过相对 GBK 新增的字 符，普通人很难用到的，通常我们用 GBK 来指代中文 windows 内码。