字符编码 ASCII unicode UTF-8

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。

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
中	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：

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（）