标签：技术 不能 国家 blog 进制 target 阿拉伯 这一 表示
1 ASCII码
统一规定英语字符与二进制位之间的关系。ASCII码一共规定了128个字符的编码。例如，空格“SPACE”是32（二进制00100000），大写字母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1位统一规定为0。
2 非ASCII编码
表示非英语的其他语言时，128个符号是不够的。例如，在法语中，字母上方有注音符号，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。例如，法语中的é的编码为130（二进制是10000010）。这样可以表示256个符号。
但是，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。例如，130在法语编码中代表é，在希伯来语编码中代表字母Gimel (?)，在俄语编码中代表另一个符号。0-127表示的符号是一样的，不一样的是128-255这一段。汉字多达10万左右，需要使用多个字节表示一个汉字。例如，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256x256=65536个汉字。虽然都是用多个字节表示一个符号，但是GB类的汉字编码与下面的Unicode和UTF-8是没关系的。
3 Unicode
世界上存在多种编码方式，同一个二进制数字可以被解释成不同的符号。之所以电子邮件经常出现乱码，是因为发信人和收信人使用的编码方式不一样。作为所有符号的编码，Unicode纳入了世界上所有的符号，给予每一个符号一个独一无二的编码。它是一个庞大的集合，可以容纳100多万个符号。例如，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http://www.unicode.org/或者汉字对应表。
Unicode的问题
Unicode只是一个符号集，只规定了符号的二进制编码，但没有规定存储方式。例如，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）即需要2个字节。不同的符号需要的字节数量不同。存在如下2个问题：
1 如何区别Unicode和ASCII？
计算机怎么知道3个字节表示一个符号，而不是分别表示3个符号呢？
2 容易出现空间浪费
英文字母仅需一个字节。如果Unicode统一规定每个符号用3个或4个字节表示，那么存储英文字母时会出现2个或3个字节全是0，浪费空间。
于是，出现了Unicode的多种实现方式。
4 UTF-8
UTF-8是互联网上使用最广的一种Unicode实现方式。其他实现方式包括UTF-16（字符用2个字节或4个字节表示）和UTF-32（字符用4个字节表示）。UTF-8是一种可变长的编码方式，使用1~4个字节表示一个符号，根据不同的符号调整字节数量。
UTF-8的编码规则：
1 对于单字节的符号，字节的第一位设为0，后面7位是这个符号的Unicode编码。因此，对于英语字母，UTF-8编码和ASCII码是相同的。
2 对于n个字节的符号（n>1），第一个字节的前n位都设为1，第n+1位设为0，后面字节的前两位均设为10。剩下的二进制位由这个符号的Unicode编码从后向前依次填入，空位补0。
编码规则总结见下表，字母x表示可编码的位：
以汉字严为例，如何实现UTF-8编码：
已知严的Unicode是4E25（100111000100101），根据上表，4E25处在第3行的范围内（0000 0800-0000 FFFF），所以严的UTF-8编码需要3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，空位补0。于是，严的UTF-8编码是“11100100 10111000 10100101”，转换成十六进制是E4B8A5。
参考资料
标签：技术 不能 国家 blog 进制 target 阿拉伯 这一 表示
原文地址：http://www.cnblogs.com/WJQ2017/p/7735522.html
