當(dāng)前位置：首頁 > 编程资源 > 编程问答 >内容正文

编程问答

ASCII,UTF-8,GBK编码简介

發(fā)布時間：2023/12/10 编程问答 31 豆豆

生活随笔收集整理的這篇文章主要介紹了 ASCII,UTF-8,GBK编码简介小編覺得挺不錯的,現(xiàn)在分享給大家,幫大家做個參考.

ASCII

我們知道，計算機內(nèi)部，所有信息最終都是一個二進制值。每一個二進制位（bit）有 0 和 1 兩種狀態(tài)，因此八個二進制位就可以組合出 256 種狀態(tài)，這被稱為一個字節(jié)（byte）。也就是說，一個字節(jié)一共可以用來表示 256 種不同的狀態(tài)，每一個狀態(tài)對應(yīng)一個符號，就是 256 個符號，從 00000000 到 11111111。

上個世紀(jì) 60 年代，美國制定了一套字符編碼，對英語字符與二進制位之間的關(guān)系，做了統(tǒng)一規(guī)定。這被稱為 ASCII 碼，一直沿用至今。

ASCII 碼一共規(guī)定了128個字符的編碼，比如空格 SPACE 是 32（二進制00100000），大寫的字母 A 是 65（二進制01000001）。這 128 個符號（包括 32 個不能打印出來的控制符號），只占用了一個字節(jié)的后面 7 位，最前面的一位統(tǒng)一規(guī)定為 0。

非 ASCII 編碼

英語用 128 個符號編碼就夠了，但是用來表示其他語言，128 個符號是不夠的。比如，在法語中，字母上方有注音符號，它就無法用 ASCII 碼表示。于是，一些歐洲國家就決定，利用字節(jié)中閑置的最高位編入新的符號。比如，法語中的 é 的編碼為 130（二進制10000010）。這樣一來，這些歐洲國家使用的編碼體系，可以表示最多 256 個符號。

但是，這里又出現(xiàn)了新的問題。不同的國家有不同的字母，因此，哪怕它們都使用 256 個符號的編碼方式，代表的字母卻不一樣。比如，130 在法語編碼中代表了 é，在希伯來語編碼中卻代表了字母 Gimel (?)，在俄語編碼中又會代表另一個符號。但是不管怎樣，所有這些編碼方式中，0--127表示的符號是一樣的，不一樣的只是128--255的這一段。

至于亞洲國家的文字，使用的符號就更多了，漢字就多達10萬左右。一個字節(jié)只能表示256種符號，肯定是不夠的，就必須使用多個字節(jié)表達一個符號。比如，簡體中文常見的編碼方式是 GB2312，使用兩個字節(jié)表示一個漢字，所以理論上最多可以表示 256 x 256 = 65536 個符號。

Unicode

正如上一節(jié)所說，世界上存在著多種編碼方式，同一個二進制數(shù)字可以被解釋成不同的符號。因此，要想打開一個文本文件，就必須知道它的編碼方式，否則用錯誤的編碼方式解讀，就會出現(xiàn)亂碼。為什么電子郵件常常出現(xiàn)亂碼？就是因為發(fā)信人和收信人使用的編碼方式不一樣。

可以想象，如果有一種編碼，將世界上所有的符號都納入其中。每一個符號都給予一個獨一無二的編碼，那么亂碼問題就會消失。這就是 Unicode，就像它的名字都表示的，這是一種所有符號的編碼。

Unicode 當(dāng)然是一個很大的集合，現(xiàn)在的規(guī)模可以容納100多萬個符號。每個符號的編碼都不一樣，比如，U+0639表示阿拉伯字母Ain，U+0041表示英語的大寫字母A，U+4E25表示漢字嚴(yán)。具體的符號對應(yīng)表可以查詢?unicode.org，或者專門的漢字對應(yīng)表。

Unicode 的問題

需要注意的是，Unicode 只是一個符號集，它只規(guī)定了符號的二進制代碼，卻沒有規(guī)定這個二進制代碼應(yīng)該如何存儲。

比如，漢字?嚴(yán)?的 Unicode 是十六進制數(shù) 4E25，轉(zhuǎn)換成二進制數(shù)足足有 15 位（100111000100101），也就是說，這個符號的表示至少需要2個字節(jié)。表示其他更大的符號，可能需要3個字節(jié)或者4個字節(jié)，甚至更多。

這里就有兩個嚴(yán)重的問題:

第一個問題是，如何才能區(qū)別 Unicode 和 ASCII ？計算機怎么知道三個字節(jié)表示一個符號，而不是分別表示三個符號呢？
第二個問題是，我們已經(jīng)知道，英文字母只用一個字節(jié)表示就夠了，如果 Unicode 統(tǒng)一規(guī)定，每個符號用三個或四個字節(jié)表示，那么每個英文字母前都必然有二到三個字節(jié)是0，這對于存儲來說是極大的浪費，文本文件的大小會因此大出二三倍，這是無法接受的。

它們造成的結(jié)果是：

出現(xiàn)了 Unicode 的多種存儲方式，也就是說有許多種不同的二進制格式，可以用來表示 Unicode。

Unicode 在很長一段時間內(nèi)無法推廣，直到互聯(lián)網(wǎng)的出現(xiàn)。

UTF-8

互聯(lián)網(wǎng)的普及，強烈要求出現(xiàn)一種統(tǒng)一的編碼方式。UTF-8 就是在互聯(lián)網(wǎng)上使用最廣的一種 Unicode 的實現(xiàn)方式。其他實現(xiàn)方式還包括 UTF-16（字符用兩個字節(jié)或四個字節(jié)表示）和 UTF-32（字符用四個字節(jié)表示），不過在互聯(lián)網(wǎng)上基本不用。重復(fù)一遍，這里的關(guān)系是，UTF-8 是 Unicode 的實現(xiàn)方式之一。

UTF-8 最大的一個特點，就是它是一種變長的編碼方式。它可以使用 1~4 個字節(jié)表示一個符號，根據(jù)不同的符號而變化字節(jié)長度。

UTF-8 的編碼規(guī)則很簡單，只有二條：

對于單字節(jié)的符號，字節(jié)的第一位設(shè)為0，后面7位為這個符號的 Unicode 碼。因此對于英語字母，UTF-8 編碼和 ASCII 碼是相同的。

對于n字節(jié)的符號（n > 1），第一個字節(jié)的前n位都設(shè)為1，第n + 1位設(shè)為0，后面字節(jié)的前兩位一律設(shè)為10。剩下的沒有提及的二進制位，全部為這個符號的 Unicode 碼。

下表總結(jié)了編碼規(guī)則，字母x表示可用編碼的位。

根據(jù)上表，解讀 UTF-8 編碼非常簡單。如果一個字節(jié)的第一位是0，則這個字節(jié)單獨就是一個字符；如果第一位是1，則連續(xù)有多少個1，就表示當(dāng)前字符占用多少個字節(jié)。

下面，還是以漢字?嚴(yán)?為例，演示如何實現(xiàn) UTF-8 編碼。

嚴(yán)的 Unicode 是 4E25（100111000100101），根據(jù)上表，可以發(fā)現(xiàn) 4E25 處在第三行的范圍內(nèi)（0000 0800 - 0000 FFFF），因此嚴(yán)的 UTF-8 編碼需要三個字節(jié)，即格式是?1110xxxx 10xxxxxx 10xxxxxx。然后，從嚴(yán)的最后一個二進制位開始，依次從后向前填入格式中的x，多出的位補0。這樣就得到了，嚴(yán)的 UTF-8 編碼是 11100100 10111000 10100101，轉(zhuǎn)換成十六進制就是 E4B8A5。

通過上一節(jié)的例子，可以看到嚴(yán)的 Unicode碼是 4E25，UTF-8 編碼是 E4B8A5，兩者是不一樣的。它們之間是可以通過程序轉(zhuǎn)換的。

GBK

上面的 UTF-8 解決的是國際上字符的一種多字節(jié)編碼，它對英文使用8位（即一個字節(jié)），中文使用24位（三個字節(jié)）來編碼。而GBK編碼專門用來解決中文編碼的，是雙字節(jié)的，即 GBK 使用兩個字節(jié)來編碼中文。

在 GBK 之前有一種 GB2312 的編碼標(biāo)準(zhǔn)也是解決中文編碼的，GB2312 是最早一版的中文編碼，每個字占據(jù) 2 字節(jié)。兼容 ASCII編碼。在 GB2312 中收錄了6763個漢字以及682個特殊符號，已經(jīng)囊括了生活中最常用的所有漢字。

由于GB2312只有6763個漢字，我漢語博大精深，只有6763個字怎么夠？于是GBK中在保證不和GB2312、ASCII沖突（即兼容GB2312和ASCII）的前提下，也用每個字占據(jù) 2 字節(jié)的方式又編碼了許多漢字。經(jīng)過GBK編碼后，可以表示的漢字達到了20902個，另有984個漢語標(biāo)點符號、部首等。值得注意的是這20902個漢字還包含了繁體字。

參考：https://cloud.tencent.com/developer/article/1343240

總結(jié)

以上是生活随笔為你收集整理的ASCII,UTF-8,GBK编码简介的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。