学习PHP&MYSQL之——字符编码篇（一）

一、字符编码简介

      计算机里，只能用二进制码记录文字、图片、图像、声音等媒体，要想将各式各样的媒体映射为简单的二进制编码（媒体 –> 01），就要将很多01根据多种变化的排列组合来表示这些媒体，这些排列组合的方法就成为了编码，文字、图片、声音都存在各式各样的编码。今天学习一下燕十八PHP公益培训课之——字符编码篇。

       1、ASCII

      最早的编码——ASCII编码，ASCII编码只能表示键盘上（A-Z、a-z、0-9、+-*/&^%）等不超过127个字符。

       1个字节有8位，可以表示256个字符，要表示ASCII码只需要7位就够了，所有最高位始终是0。

0000 0000
1111 1111    -->   共256种值

        常用汉字3000多，1个字节不能表示，只能用2个字节表示，可以表示65535个字符，表示汉字够用了。

0000 0000 0000 0000
1111 1111 1111 1111  -->  共65535种值
      2、GB2312

      最早的中文字符集GB2312，GB2312不占用ASCII的0-127，两个字节组合来用，但是这样的组合就少了很多，例如：

1xxx xxxx 1xxx xxxx  -->  [129 - 255] [129 - 255]  
例如：
130  140     97       95      144 233   （分组前）
      ↓          ↓         ↓           ↓
[130 140]  [97]     [95]    [144 233]   (分组后)
      ↓          ↓         ↓           ↓
   [汉字]    [字母]   [字母]    [汉字]

     GB2312只收录了6763个汉字,基本满足了常用汉字的需求，但有些汉字没有收录。

     3、GBK

     GBK编码完全兼容GB2312，GBK还是双字节，理论上第2字节不再局限于129-255，如果第1字节大于128,则带下一个字节组成一个汉字，如果第1个小于128，就直接转ASCII。例如：

1xxx xxxx xxxx xxxx  -->   [129 - 255][0 - 255]
例如：
133  22    63      199  22     (分组前)
     ↓         ↓           ↓
[133 22]  [63]    [199 22]    (分组后)
     ↓         ↓           ↓ 
  [汉字]   [字母]     [汉字]

       实际上，GBK的编码方式，有单字节和双字节编码组成，00-7F范围内只占一位，和ASCII保持一致，此范围内阉割上说有96个字符和32个控制符号。之后的双字节中，前一字节是双字节的第一位。总体上说第一字节的范围是81-FE（也就是不含80和FF），第二字节的一部分领域在40-7E，其他领域在80-FE。收录汉字21003个、符号883个、并提供1894个造字码位。

      4、Unicode和UTF-8

     Unicode是一个世界通用的码表，它占4个字节,包含232，共40多亿字符，但常用的集中在前65535个标号里，2个字节就够用了。Unicode只负责分配编号,而且都用4个字节来分配编号,而真正的实现方式成为Unicode转换格式（Unicode Transformation Format，简称为UTF）

      例如，如果一个仅包含基本7位ASCII字符的Unicode文件，如果每个字符都使用2字节的原Unicode编码传输，其第一字节的8位始终为0，这造成了较大的浪费。对于这种情况，可以使用UTF-8编码，这是一种变长编码。它根据一定的算法减小浪费，具体实现如下：

Unicode根据一定算法转为UTF-8
例如：
0000 0000 0000 0000 0000 0000 0000 0041 –> A    （Unicode）
↓
0000 0041 –> A                                                 （UTF-8）

    Unicode与UTF-8的关系就像原文件与压缩文件的关系，具体如下：

UCS-4编码

UTF-8字节流
U+00000000 - U+0000007F 0xxxxxxx
U+00000080 - U+000007FF 110xxxxx 10xxxxxx
U+00000800 - U+0000FFFF 1110xxxx 10xxxxxx 10xxxxxx
U+00010000 - U+001FFFFF 11110xxx 10xxxxxx 10xxxxxx 10xxxxxx
U+00200000 - U+03FFFFFF 111110xx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx
U+00040000 - U+7FFFFFFF 1111110x 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx

     UTF-8编码是根据第一字节的高位来决定一个字符占几个字节的，基本规律是：

第一字节高位

占用字节数
0 1个字节
11 2个字节
111 3个字节
1111 4个字节
11111 5个字节
111111 6个字节

二、乱码的形成

   乱码产生的原因：

  • 解码时与实际编码不一致（可修复）。
  • 传输过程中，编码不一致，导致字节丢失（不可修复）。

   1、解码时与实际编码不一致情况

<!DOCTYPE html PUBLIC "-//W3C//DTD XHTML 1.0 Transitional//EN" "http://www.w3.org/TR/xhtml1/DTD/xhtml1-transitional.dtd">
<html xmlns="http://www.w3.org/1999/xhtml">
 <head>
  <meta http-equiv="Content-Type" content="text/html;charset=utf-8" />
  <!--  当charset为utf-8时，文档又另存为ansi(GBK)格式,网页就会产生乱码  -->！-- --》
  <title>乱码测试</title>
 </head>
 <body>
  测试
 </body>
</html>

  2、传输过程中，编码不一致，导致字节丢失（这种情况将在下一篇见到）

posted @ 2012-11-03 15:35  一支大熊猫  阅读(1574)  评论(2)  编辑  收藏  举报