符號編碼-ASCII、Unicode、Unicode big endian、UTF-8之間的關係

1. ASCII 碼

咱們知道，在計算機內部，全部的信息最終都表示爲一個二進制的字符串。每個二進制位（ bit ）有 0 和 1 兩種狀態，所以八個二進制位就能夠組合出 256 種狀態，這被稱爲一個字節（ byte ）。也就是說，一個字節一共能夠用來表示 256 種不一樣的狀態，每個狀態對應一個符號，就是 256 個符號，從 0000000 到 11111111 。

上個世紀 60 年代，美國製定了一套字符編碼，對英語字符與二進制位之間的關係，作了統一規定。這被稱爲 ASCII 碼，一直沿用至今。

ASCII 碼一共規定了 128 個字符的編碼，好比空格 「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），只佔用了一個字節的後面 7 位，最前面的 1 位統一規定爲 0 。

2 、非 ASCII 編碼

英語用 128 個符號編碼就夠了，可是用來表示其餘語言， 128 個符號是不夠的。好比，在法語中，字母上方有注音符號，它就沒法用 ASCII 碼錶示。 因而，一些歐洲國家就決定，利用字節中閒置的最高位編入新的符號。好比，法語中的 é 的編碼爲 130 （二進制 10000010 ）。這樣一來，這些歐洲國家使 用的編碼體系，能夠表示最多 256 個符號。

可是，這裏又出現了新的問題。不一樣的國家有不一樣的字母，所以，哪怕它們都使用 256 個符號的編碼方式，表明的字母卻不同。好比， 130 在法語編碼 中表明瞭 é ，在希伯來語編碼中卻表明了字母 Gimel ( ג ) ，在俄語編碼中又會表明另外一個符號。可是無論怎樣，全部這些編碼方式中， 0—127 表示的符號是同樣的，不同的只是 128—255 的這一段。

至於亞洲國家的文字，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，確定是不夠的，就必須使用多個字節表達一個符號。 好比，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，因此理論上最多能夠表示 256x256=65536 個符號。

中文編碼的問題須要專文討論，這篇筆記不涉及。這裏只指出，雖然都是用多個字節表示一個符號，可是 GB 類的漢字編碼與後文的 Unicode 和 UTF-8 是毫無關係的。

3.Unicode

正如上一節所說，世界上存在着多種編碼方式，同一個二進制數字能夠被解釋成不一樣的符號。所以，要想打開一個文本文件，就必須知道它的編碼方式，不然用錯誤的編碼方式解讀，就會出現亂碼。爲何電子郵件經常出現亂碼？就是由於發信人和收信人使用的編碼方式不同。

能夠想象，若是有一種編碼，將世界上全部的符號都歸入其中。每個符號都給予一個獨一無二的編碼，那麼亂碼問題就會消失。這就是 Unicode ，就像它的名字都表示的，這是一種全部符號的編碼。

Unicode 固然是一個很大的集合，如今的規模能夠容納 100 多萬個符號。每一個符號的編碼都不同，好比， 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，能夠查詢unicode.org ，或者專門的 漢字對應表 。

4. Unicode 的問題

須要注意的是， 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。

好比，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須要 2 個字節。表示其餘更大的符號，可能須要 3 個字節或者 4 個字節，甚至更多。

這裏就有兩個嚴重的問題，第一個問題是，如何才能區別 unicode 和 ascii ？計算機怎麼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，咱們已經知道，英文字母只用一個字節表示就夠了，若是 unicode 統一規定，每一個符號用三個或四個字節表示，那麼每一個英文字母前都必 然有二到三個字節是 0 ，這對於存儲來講是極大的浪費，文本文件的大小會所以大出二三倍，這是沒法接受的。

它們形成的結果是： 1 ）出現了 unicode 的多種存儲方式，也就是說有許多種不一樣的二進制格式，能夠用來表示 unicode 。 2 ） unicode 在很長一段時間內沒法推廣，直到互聯網的出現。

5.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。其餘實現方式還包括 UTF-16 和 UTF-32 ，不過在互聯網上基本不用。重複一遍，這裏的關係是， UTF-8 是 Unicode 的實現方式之一。

UTF-8 最大的一個特色，就是它是一種變長的編碼方式。它可使用 1~4 個字節表示一個符號，根據不一樣的符號而變化字節長度。

UTF-8 的編碼規則很簡單，只有二條：

1 ）對於單字節的符號，字節的第一位設爲 0 ，後面 7 位爲這個符號的 unicode 碼。所以對於英語字母， UTF-8 編碼和 ASCII 碼是相同的。

2 ）對於 n 字節的符號（ n>1 ），第一個字節的前 n 位都設爲 1 ，第 n+1 位設爲 0 ，後面字節的前兩位一概設爲 10 。剩下的沒有說起的二進制位，所有爲這個符號的 unicode 碼。

下表總結了編碼規則，字母 x 表示可用編碼的位。

Unicode 符號範圍 | 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

下面，仍是以漢字 「 嚴 」 爲例，演示如何實現 UTF-8 編碼。

已知 「 嚴 」 的 unicode 是 4E25 （ 100111000100101 ），根據上表，能夠發現 4E25 處在第三行的範圍內（ 0000 0800-0000 FFFF ），所以 「 嚴 」 的 UTF-8 編碼須要三個字節，即格式是 「1110xxxx 10xxxxxx 10xxxxxx」 。而後，從 「 嚴 」 的最後一個二進制位開始，依次從後向前填入格式中的 x ，多出的位補 0 。這樣就獲得了， 「 嚴 」 的 UTF-8 編碼是 「11100100 10111000 10100101」 ，轉換成十六進制就是 E4B8A5 。

6. Unicode 與 UTF-8 之間的轉換

經過上一節的例子，能夠看到 「 嚴 」 的 Unicode 碼是 4E25 ， UTF-8 編碼是 E4B8A5 ，二者是不同的。它們之間的轉換能夠經過程序實現。

在 Windows 平臺下，有一個最簡單的轉化方法，就是使用內置的記事本小程序 Notepad.exe 。打開文件後，點擊 「 文件 」 菜單中的 「 另存爲 」 命令，會跳出一個對話框，在最底部有一個 「 編碼 」 的下拉條。

裏面有四個選項： ANSI ， Unicode ， Unicode big endian 和 UTF-8 。

1 ） ANSI 是默認的編碼方式。對於英文文件是 ASCII 編碼，對於簡體中文文件是 GB2312 編碼（只針對 Windows 簡體中文版，若是是繁體中文版會採用 Big5碼 ）。

2 ） Unicode 編碼指的是 UCS-2 編碼方式，即直接用兩個字節存入字符的 Unicode 碼。這個選項用的 little endian 格式。

3 ） Unicode big endian 編碼與上一個選項相對應。我在下一節會解釋 little endian 和 big endian 的涵義。

4 ） UTF-8 編碼，也就是上一節談到的編碼方法。

選擇完 」 編碼方式 「 後，點擊 」 保存 「 按鈕，文件的編碼方式就馬上轉換好了。

7. Little endian 和 Big endian

上一節已經提到， Unicode 碼能夠採用 UCS-2 格式直接存儲。以漢字 」 嚴 「 爲例， Unicode 碼是 4E25 ，須要用兩個字節存儲，一個字節 是 4E ，另外一個字節是 25 。存儲的時候， 4E 在前， 25 在後，就是 Big endian 方式； 25 在前， 4E 在後，就是 Little endian 方式。

這兩個古怪的名稱來自英國做家斯威夫特的《格列佛遊記》。在該書中，小人國裏爆發了內戰，戰爭原由是人們爭論，吃雞蛋時到底是從大頭 (Big- Endian) 敲開仍是從小頭 (Little-Endian) 敲開。爲了這件事情，先後爆發了六次戰爭，一個皇帝送了命，另外一個皇帝丟了王位。

所以，第一個字節在前，就是 」 大頭方式 「 （ Big endian ），第二個字節在前就是 」 小頭方式 「 （ Little endian ）。

那麼很天然的，就會出現一個問題：計算機怎麼知道某一個文件到底採用哪種方式編碼？

Unicode 規範中定義，每個文件的最前面分別加入一個表示編碼順序的字符，這個字符的名字叫作 」 零寬度非換行空格 「 （ ZERO WIDTH NO-BREAK SPACE ），用 FEFF 表示。這正好是兩個字節，並且 FF 比 FE 大 1 。

若是一個文本文件的頭兩個字節是 FE FF ，就表示該文件採用大頭方式；若是頭兩個字節是 FF FE ，就表示該文件採用小頭方式。

一般intel cpu採用little indian方式,motorola cpu採用big indian方式,所以,普通計算機都採用小頭方式存放數據,big endian可用於tcp/ip

8. 實例

下面，舉一個實例。

打開 」 記事本 「 程序 Notepad.exe ，新建一個文本文件，內容就是一個 」 嚴 「 字，依次採用 ANSI ， Unicode ， Unicode big endian 和 UTF-8 編碼方式保存。

而後，用文本編輯軟件 UltraEdit 中 的 」 十六進制功能 「 ，觀察該文件的內部編碼方式。

1 ） ANSI ：文件的編碼就是兩個字節 「D1 CF」 ，這正是 「 嚴 」 的 GB2312 編碼，這也暗示 GB2312 是採用大頭方式存儲的。

2 ） Unicode ：編碼是四個字節 「FF FE 25 4E」 ，其中 「FF FE」 代表是小頭方式存儲，真正的編碼是 4E25 。

3 ） Unicode big endian ：編碼是四個字節 「FE FF 4E 25」 ，其中 「FE FF」 代表是大頭方式存儲。

4 ） UTF-8 ：編碼是六個字節 「EF BB BF E4 B8 A5」 ，前三個字節 「EF BB BF」 表示這是 UTF-8 編碼，後三個 「E4B8A5」 就是 「 嚴 」 的具體編碼，它的存儲順序與編碼順序是一致的。