关于二进制编码的那些事

字符编码常用类型介绍

常用编码介绍一览表

第一个：ASCII

ASCII是美国基于拉丁字母的一套编码系统，主要是显示现代的英语以及其他的西欧语言。它是现在最通用的单字节编码系统，并等同于国际标准ISO/IEC 646,如下图所示：

因为，计算机是美国发明的，因此，最早只有127个字符编入被编码到计算机系统，也就是大小写字母，数字以及一些符号，这个编码表被称为ASCII编码，比如大写字母A是65，小写字母a是97位。后127位是扩展ASCII码。

在这里，每一位0或者1所占的空间单位被称为bit（比特），这是计算机最小的单位，每8个bit组成一个字符，这是计算机最小的存储单元。

常见单位换算：

bit位，计算机中最小的表示单位

8bit=1bytes，字节，计算机最小的存储单元，1Bytes缩写成1B

1KB=1024b

1MB=1024kb

1GB=1024MB

1TB=1024GB

第二个：GB2312以及GBK

对于我们来说，计算机显示中文是尤为的重要，而对于我们而言，ASCII表里连一个偏旁部首都没有。所以我们还需要一张关于中文和数字对应的关系表。一个字节最多能表示256个字符，要处理中文，显然一个字节是不够用的，所以我们采用两个字节来表示，而且还不能与英文的ASCII编码冲突，中国定制了GB2312编码，用来把中文编码进去。

第三个：Unicode

但长此以往，每个国家都会有自己的编码标准，就会造成比较混乱的局面，从而导致各个国家之间不能正常的通信，这个时候，有一个叫ISO的组织出现，编写了一套Unicode的字符集，将所有国家的字符集都放了进去；它只规定了二进制代码，但却没有规定二进制应该如何存储。

比如严字这个字的Unicode码是十六进制下的4E25，转换成二进制足足有15位，需要两个字节。表示更大的字节，可能需要3个字节甚至是4个字节。

这里就出现两个严重的问题，第一个问题是：如何才能区分Unicode以及ASCII码？计算机如何知道三个字节代表一个字符，而非三个字符；第二个问题，就算使用Unicode进行统一的编码，而对于英文字符，仅仅需要一个字节就可以满足条件，如果按照Unicode进行编码的话，前面就会有大量的0，从而导致文件就会比以前的文件大两倍到三倍，这是无法接受的；

其造成的结果就是：第一，出现了Unicode的多种存储方式，也就是说有许多中不同的二进制格式，可以表示Unicode；第二，Unicode在很长一段的时间无法推广，直到互联网的出现。

第四个：UTF-8

互联网的出现，强烈要求出现统一的编码方式。UTF-8就是在互联网上使用最广的Unicode的实现方式。其他的实现方法还有UTF-16（字符用两个字节或者四个字节表示）和UTF-32（字符用四个字节表示），不过互联网基本不用。重复强调一下，UTF-8是Unicode的实现方式之一。

UTF-8最大的特点就是其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。

UTF-8的编码规则相当的简单，只有两条：

对于单字节的字符，字节的第一位设为0，后面的7位为这个符号的Unicode码。因此对于英文字母，UTF-8与ASCII码都是相同的。
对于n字节的字符（n>1）,第一个字节的前n位都设为1，第n+1位设为0，后面字节的前两位都设为10,。剩下的没有提及的字节的二进制位，全部设置为Unicode码。

下面总结了编码规律，字母x表示可用的编码的位

Unicode符号范围 | UTF-8编码方式
(十六进制) | （二进制）
--------------------+---------------------------------------------
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

根据上表，解读UTF-8编码十分的简单。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，则表示当前字符占有多少个字节。

下面还是以汉字“严”为例子，演示如何实现UTF-8编码。

已经知道UTF-8的编码中“严”是4E25（100111000100101），根据上表，可以发现出于第三行的范围内（0000 0800-0000 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”最后一个二进制开始，依次从后向前填入格式中的x，多出来的位就补0。这样就得到了，“严”的UTF-8编码是“11100100 10111000 10100101”，转化成十六进制就是E4B8A5。

第五个：关于Unicode与UTF-8的转换

通过上面的例子。我们可以看出，可以看出“严”字的Unicode编码是4E25，UTF-8的编码是E4B8A5，两种是不一样的，他们两者之间的转化是通过程序进行转换的。

在window平台上，有一个最简单的转换办法，就是使用内置的记事本小程序Notepad++.exe。打开文件后，点击“文件”菜单中的“另存为”命令，会跳出一个对话框，在底部会有一个编码的下拉条：

里面会有四个选项：ASCII、Unicode、Unicode big endian、UTF-8

ASCII是默认编写方式，对于英文文件是ASCII编码，对于简体中文是GB2312编码,(只针对window系统下的简体中文版，对于繁体中文版会采用BIG5码）。
Unicode编码指的是USC-2编码方式，即直接用两个字符存入字符的的Unicode编码，这个选项用的是little endian格式。
UTF-8也就是上节所说的格式

选择完“编码方式”后，点击“保存”按钮，文件的编码方式就立刻转换好了。

7.Little endian和Big endian

上一节提到，UTF-8可通过USC-2格式直接存储。以汉字“严”为例，Unicode码是4E25，需要两个字节进行存储，一个字节是4E，另外一个字节是25，存储的时候。4E在前，25在后，就是Big endian的方式；而25在前4E在后，就是Little endian的方式。

这两个古怪的名称来自于英国作家斯威夫特的《格列夫游记》。在该书中，小人国内爆发了内乱，战争起因是人们的争论，吃鸡蛋时是从大头敲开（BIg-endian）还是从小头（Little-endian）敲开。为了这个事件，前后爆发了六次战争，一个国王丧命了，另外一个国王丢了王位。

因此，第一个字节在前，就是“大头方式”（Big endian），第二个字节在前，就是“小头方式”（Little endian）。

那么很自然的就出现了一个问题：计算机如何知道你采用哪一种方式编码？

Unicode规范中定义，每一个文件最前面加上表示编码顺序的字符，这个字符的名字叫做“零宽度非换行空格”（ZERO WIDTH NO-BREAK SPACE），用FEFF表示。这正好是两个字节，而且FF比FE大1,。

如果一个文本头两个字节是FE FF，就表示该文件采用的是大头方式；如果头两个字节是FF FE，就表示该文件采用的是小头方式。

8.示例

下面举一个示例。

打开“记事本”程序Notepad.exe,新建一个文本文件，内容就是一个“严”字，依次采用ASCII码，Unicode，Unicode Big endian和UTF-8编码方式保存。

然后，用文本编辑软件UltraEdit中的“十六进制功能”，观察该文件的内部编码方式。

ASCII码：文件编码就是两个字节“D1 CF”，这正是“严”的GB2312编码，这样按时GB2312是按照大头编写的。
Unicode码：编码是四个字节“FF FE 25 4E”,其中FF FE暗示着是小头编写，真正的编码是4E 25。
Unicode Big endian：编码是四个字节“FE FF 4E 25”，其中FE FF表示大头编写。
UTF-8编写是六个字节“EF BB BF E4 B8 A5”，前三个表示这是UTF-8编码，后三个表示的是UTF-8的编码，它的存储顺序与编码顺序是一致的。

9. 关于在修改以及保存、传输等方面文件编码关系

在计算机内存中，统一使用Unicode编码，当需要保存到硬盘或者传输的时候，被编写为UTF-8编码。

用记事本编辑的时候，从文件读取的UTF-8被转化成Unicode内存中，编辑完成以后，保存的文件再把Unicode转化成UTF-8保存到文件中。

浏览网页的时候，服务器会把动态生成的Unicode转换成UTF-8再传输到互联网上面：

9.关于encode以及decode

decode的作用是把其他编码的字符串转化成Unicode编码，如str1.decode（“GBK”），表示将GBK的字符串转化成Unicode编码

encode的作用是把Unicode转化成其他编码的字符串，如str2.encode("GBK"),表示将Unicode编码转化成GBK格式。