今天中午,我突然想搞清楚 Unicode 和 UTF-8 之间的关系,就开始查资料.
这个问题比我想象的复杂,午饭后一直看到晚上 9 点,才算初步搞清楚.
下面就是我的笔记,主要用来整理自己的思路.我尽量写得通俗易懂,希望能对其他朋友有用.毕竟,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 1
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).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 00000000 到 11111111.
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 个字符的编码,比如空格 SPACE 是 32(二进制 00100000),大写的字母 A
是 65(二进制 01000001).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 é
的编码为 130(二进制 10000010).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 x 256 = 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,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 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 unicode.org,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(100111000100101),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 Unicode.2)Unicode 在很长一段时间内无法推广,直到互联网的出现.
来源: http://www.jianshu.com/p/61090b7b8c79