ASCII

我們知道，計算機內部，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，因此八個二進制位就可以組合出 256 種狀態，這被稱為一個字節（byte）。也就是說，一個字節一共可以用來表示 256 種不同的狀態，每一個狀態對應一個符號，就是 256 個符號，從 00000000 到 11111111。

上個世紀 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系，做了統一規定。這被稱為 ASCII 碼，一直沿用至今。

ASCII 碼一共規定了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），只占用了一個字節的后面 7 位，最前面的一位統一規定為 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。一個字節只能表示256種符號，肯定是不夠的，就必須使用多個字節表達一個符號。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

正如上一節所說，世界上存在著多種編碼方式，同一個二進制數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，就會出現亂碼。為什么電子郵件常常出現亂碼？就是因為發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 當然是一個很大的集合，現在的規模可以容納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。具體的符號對應表可以查詢?unicode.org，或者專門的漢字對應表。

Unicode 的問題

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

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

這里就有兩個嚴重的問題:

• 第一個問題是，如何才能區別 Unicode 和 ASCII ？計算機怎么知道三個字節表示一個符號，而不是分別表示三個符號呢？
• 第二個問題是，我們已經知道，英文字母只用一個字節表示就夠了，如果 Unicode 統一規定，每個符號用三個或四個字節表示，那么每個英文字母前都必然有二到三個字節是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。

它們造成的結果是：

出現了 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 在很長一段時間內無法推廣，直到互聯網的出現。

UTF-8

互聯網的普及，強烈要求出現一種統一的編碼方式。UTF-8 就是在互聯網上使用最廣的一種 Unicode 的實現方式。其他實現方式還包括 UTF-16（字符用兩個字節或四個字節表示）和 UTF-32（字符用四個字節表示），不過在互聯網上基本不用。重復一遍，這里的關系是，UTF-8 是 Unicode 的實現方式之一。

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 個字節表示一個符號，根據不同的符號而變化字節長度。

UTF-8 的編碼規則很簡單，只有二條：

對于單字節的符號，字節的第一位設為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字節的符號（n > 1），第一個字節的前n位都設為1，第n + 1位設為0，后面字節的前兩位一律設為10。剩下的沒有提及的二進制位，全部為這個符號的 Unicode 碼。

下表總結了編碼規則，字母x表示可用編碼的位。

Unicode符號范圍 | UTF-8編碼方式 (十六進制) | （二進制） ----------------------+--------------------------------------------- 0000 0000-0000 007F | 0xxxxxxx 0000 0080-0000 07FF | 110xxxxx 10xxxxxx 0000 0800-0000 FFFF | 1110xxxx 10xxxxxx 10xxxxxx 0001 0000-0010 FFFF | 11110xxx 10xxxxxx 10xxxxxx 10xxxxxx

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

下面，還是以漢字?嚴?為例，演示如何實現 UTF-8 編碼。

嚴的 Unicode 是 4E25（100111000100101），根據上表，可以發現 4E25 處在第三行的范圍內（0000 0800 - 0000 FFFF），因此嚴的 UTF-8 編碼需要三個字節，即格式是?1110xxxx 10xxxxxx 10xxxxxx。然后，從嚴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，嚴的 UTF-8 編碼是 11100100 10111000 10100101，轉換成十六進制就是 E4B8A5。

通過上一節的例子，可以看到嚴的 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換的。

GBK

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

在 GBK 之前有一種 GB2312 的編碼標準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 2 字節。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 2 字節的方式又編碼了許多漢字。經過GBK編碼后，可以表示的漢字達到了20902個，另有984個漢語標點符號、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

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站內容還不錯，歡迎將生活随笔推薦給好友。