【补充】字符串的编码

【一】ASCII码

• 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ASCll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

• 如果只表示英语，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ASCIl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 (x)，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GB23124,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

【三】Unicode

• 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。
• 这就是为什么文件经常出现乱妈，因为编码和解码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为世界上所有字符都分配了一个唯一的数字编号，这个编号范围从Ox000000到0x10FFFF(十六进制)，有110多万，每个字符都有一个唯一的Unicode编号，这个编号一般写成16进制，在前面加上U+。
  • 例如:
  • U+9A6C表示汉字马，
  • U+4E25表示汉字严
  • U+0639表示阿拉伯字母Ain,
  • Unicode 就相当于一张表，建立了字符与编号之间的联系

【1】Unicode存在的问题

• 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:
  • 问题一:如何才能区别Unicode和ASCll?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?
  • 问题二︰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o，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

【2】造成的后果

• 结果一︰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，主要有UTF-8，UTF-16，UTF-32。
• 结果二: Unicode在很长一段时间内无法推广，直到互联网的出现

【四】UTF-8

• 互联网的普及，强烈要求出现一种统一的编码方式。
• UTF-8就是在互联网上使用最广的一种 Unicode的实现方式。
• 其他实现方式还包括UTF-16(字符用两个字节或四个字节表示)和UTF-32(字符用四个字节表示)，不过在互联网上基本不用。

注意:UTF-8是 Unicode的实现方式之一。

【1】UTF-8的特点

• UTF-8最大的一个特点，就是它是一种变长的编码方式。
• 它可以使用1~4个字节表示一个符号，根据不同的符号而变化字节长度。

【2】UTF-8的编码原则

• UTF-8的编码规则有二条:

（1）规则一

• 对于单字节的符号，字节的第一位设为o，后面7位为这个符号的Unicode码。
• 因此对于英语字母，UTF-8编码和ASCll码是相同的。

（2）规则二

• 对于n字节的符号(n > 1)，第一个字节的前n位都设为1，第n + 1位设为0，后面字节的前两位一律设为10。
• 剩下的没有提及的二进制位，全部为这个符号的 Unicode码。

（3）总结

• 下表总结了编码规则，字母x表示可用编码的位。

编号范围(编号对应十进制数)	二进制格式
十六进制范围:(Ox00—0x7f)十进制范围:(O—127)	0XXXXXXX
十六进制范围:(Ox80—Ox7ff)十进制范围:(128—2047)	110XXXXX 10XXXXXX
十六进制范围:(Ox800—Oxffff)十进制范围:(2048—65535)	1110XXXX 10XXXXXX 1OXXXXXX
十六进制范围:(Ox10000—Ox10fff)十进制范围:(65536以上)	11110XXX 10XXXXXX 10XXXXXX 10XXXXXX

【五】Unicode和UTF-8之间的转换

• 跟据上表，解读UTF-8编码非常简单。
  • 如果一个字节的第一位是0，则这个字节单独就是一个字符;如果第一位是1，则连续有多少个1，就表示当前字符占用多少个字节。
• 下面，还是以汉字严为例，演示如何实现UTF-8编码。
• 严的Unicode 是4E25 (100111000100101)，根据上表，可以发现4E25处在第三行的范围内（00000800 - 0000 FFFF)
  • 因此严的UTF-8编码需要三个字节，即格式是1110xxxx 10xxxxxx 10xxxxxx。
  • 然后，从严的最后一个二进制位开始，依次从后向前填入格式中的x，多出的位补0。
  • 这样就得到了，严的UTF-8编码是11100100 10111000 10100101，转换成十六进制就是E4B8A5