欢迎您访问程序员文章站本站旨在为大家提供分享程序员计算机编程知识!
您现在的位置是: 首页  >  IT编程

字符编码 ASCII unicode UTF-8

程序员文章站 2022-05-11 10:28:29
字符串也是一种数据类型,但是,字符串比较特殊的是还有一个编码问题。 因为计算机只能处理数字,如果要处理文本,就必须先把文本转换为数字才能处理。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 ......

字符串也是一种数据类型,但是,字符串比较特殊的是还有一个编码问题。

因为计算机只能处理数字,如果要处理文本,就必须先把文本转换为数字才能处理。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。

你可以想得到的是,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

你可以猜测,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,如果你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。如果你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。

搞清楚了ascii、unicode和utf-8的关系,我们就可以总结一下现在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。

用记事本编辑的时候,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:

字符编码 ASCII unicode UTF-8

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:

字符编码 ASCII unicode UTF-8

所以你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。

转载()