程序 = 算法 + 數據結構程序員
對應到計算機的組成原理(硬件層面)算法
計算機用0/1組成的二進制,來表示全部信息數據結構
萬物在計算機裏都是0和1,搞清楚各類數據在二進制層面是怎麼表示的,是咱們的必修課。編碼
在實際應用中最常遇到的問題,也就是文本字符串是怎麼表示成二進制的,特別是咱們會遇到的亂碼到底是怎麼回事兒加密
在開發的時候,所說的Unicode和UTF-8之間有什麼關係。spa
理解了這些,相信之後遇到任何亂碼問題,你都能手到擒來了。調試
二進制和咱們平時用的十進制,並無本質區別,只是平時是「逢十進一」,這裏變成了「逢二進一」code
每一位,相比於十進制下的0~9這十個數字,咱們只能用0和1這兩個數字。orm
任何一個十進制的整數,都能經過二進制表示出來blog
把一個二進制數,對應到十進制,很是簡單,就是把從右到左的第N位,乘上一個2的N次方,而後加起來,就變成了一個十進制數
固然,既然二進制是一個面向程序員的「語言」,這個從右到左的位置,天然是從0開始的。
好比_0011_這個二進制數,對應的十進制表示,就是
\(0×2^3+0×2^2+1×2^1+1×2^0\)
\(=3\)
表明十進制的3
對應地,若是咱們想要把一個十進制的數,轉化成二進制,使用短除法就能夠了
也就是,把十進制數除以2的餘數,做爲最右邊的一位。而後用商繼續除以2,把對應的餘數緊靠着剛纔餘數的右側,這樣遞歸迭代,直到商爲0就能夠了。
剛纔咱們舉的例子都是正數,對於負數來講,狀況也是同樣的嗎?
咱們能夠把一個數最左側的一位,當成是對應的正負號,好比0爲正數,1爲負數,這樣來進行標記。
這樣,一個4位的二進制數, 0011就表示爲+3。而1011最左側的第一位是1,因此它就表示-3。這個其實就是整數的原碼錶示法
原碼錶示法有一個很直觀的缺點就是,0能夠用兩個不一樣的編碼來表示,1000表明0, 0000也表明0。習慣萬事一一對應的程序員看到這種狀況,必然會被「逼死」。
因而,咱們就有了另外一種表示方法。咱們仍然經過最左側第一位的0和1,來判斷這個數的正負。可是,咱們再也不把這一位當成單獨的符號位,在剩下幾位計算出的十進制前加上正負號,而是在計算整個二進制值的時候,在左側最高位前面加個負號。
好比,一個4位的二進制補碼數值1011,轉換成十進制,就是
\(-1×2^3+0×2^2+1×2^1+1×2^0\)
\(=-5\)
若是最高位是1,這個數必然是負數;最高位是0,必然是正數。而且,只有0000表示0,1000在這樣的狀況下表示-8。一個4位的二進制數,能夠表示從-8到7這16個整數,不會白白浪費一位。
固然更重要的一點是,用補碼來表示負數,使得咱們的整數相加變得很容易,不須要作任何特殊處理,只是把它當成普通的二進制相加,就能獲得正確的結果。
咱們簡單一點,拿一個4位的整數來算一下,好比 -5 + 4 = -1,-5 + 6 = 1
咱們各自把它們轉換成二進制來看一看。若是它們和無符號的二進制整數的加法用的是一樣的計算方式,這也就意味着它們是一樣的電路。
不只數值能夠用二進制表示,字符乃至更多的信息都能用二進制表示
最典型的例子就是字符串(Character String)
最先計算機只須要使用英文字符,加上數字和一些特殊符號,而後用8位的二進制,就能表示咱們平常須要的全部字符了,這個就是咱們經常說的ASCII碼(American Standard Code for Information Interchange,美國信息交換標準代碼)
ASCII碼就比如一個字典,用8位二進制中的128個不一樣的數,映射到128個不一樣的字符裏
好比,小寫字母a在ASCII裏面,就是第97個,也就是二進制的0110 0001,對應的十六進制表示就是 61。而大寫字母 A,就是第65個,也就是二進制的0100 0001,對應的十六進制表示就是41。
在ASCII碼裏面,數字9再也不像整數表示法裏同樣,用0000 1001來表示,而是用0011 1001 來表示。字符串15也不是用0000 1111 這8位來表示,而是變成兩個字符1和5連續放在一塊兒,也就是 0011 0001 和 0011 0101,須要用兩個8位來表示。
咱們能夠看到,最大的32位整數,就是2147483647。若是用整數表示法,只須要32位就能表示了。可是若是用字符串來表示,一共有10個字符,每一個字符用8位的話,須要整整80位。比起整數表示法,要多佔不少空間。
這也是爲何,不少時候咱們在存儲數據的時候,要採用二進制序列化這樣的方式,而不是簡單地把數據經過CSV或者JSON,這樣的文本格式存儲來進行序列化。不論是整數也好,浮點數也好,採用二進制序列化會比存儲文本省下很多空間。
ASCII碼只表示了128個字符,一開始倒也堪用,畢竟計算機是在美國發明的
然而隨着愈來愈多的不一樣國家的人都用上了計算機,想要表示譬如中文這樣的文字,128個字符顯然是不太夠用的。因而,計算機工程師們開始各顯神通,給本身國家的語言建立了對應的字符集(Charset)和字符編碼(Character Encoding)
表示的能夠是字符的一個集合
好比「中文」就是一個字符集,不過這樣描述一個字符集並不許確
想要更精確一點,咱們能夠說,「初版《新華字典》裏面出現的全部漢字」,這是一個字符集。這樣,咱們才能明確知道,一個字符在不在這個集合裏面
好比,咱們平常說的Unicode,其實就是一個字符集,包含了150種語言的14萬個不一樣的字符。
則是對於字符集裏的這些字符,怎麼一一用二進制表示出來的一個字典
咱們上面說的Unicode,就能夠用UTF-八、UTF-16,乃至UTF-32來進行編碼,存儲成二進制。因此,有了Unicode,其實咱們能夠用不止UTF-8一種編碼形式,咱們也能夠本身發明一套 GT-32 編碼,好比就叫做Geek Time 32好了。只要別人知道這套編碼規則,就能夠正常傳輸、顯示這段代碼。
一樣的文本,採用不一樣的編碼存儲下來。若是另一個程序,用一種不一樣的編碼方式來進行解碼和展現,就會出現亂碼。這就好像兩個軍隊用密語通訊,若是用錯了密碼本,那看到的消息就會不知所云。在中文世界裏,最典型的就是「手持兩把錕斤拷,口中疾呼燙燙燙」的典故。
沒有經驗的同窗,在看到程序輸出「燙燙燙」的時候,覺得是程序讓CPU過熱發出報警,因而嘗試給CPU降頻來解決問題。
既然今天要完全搞清楚編碼知識,咱們就來弄清楚「錕斤拷」和「燙燙燙」的前因後果。
若是咱們想要用Unicode編碼記錄一些文本,特別是一些遺留的老字符集內的文本,可是這些字符在Unicode中可能並不存在。因而,Unicode會統一把這些字符記錄爲U+FFFD這個編碼
若是用UTF-8的格式存儲下來,就是\xef\xbf\xbd。若是連續兩個這樣的字符放在一塊兒,\xef\xbf\xbd\xef\xbf\xbd,這個時候,若是程序把這個字符,用GB2312的方式進行decode,就會變成「錕斤拷」。這就比如咱們用GB2312這本密碼本,去解密別人用UTF-8加密的信息,天然沒辦法讀出有用的信息。
而「燙燙燙」,則是由於若是你用了Visual Studio的調試器,默認使用MBCS字符集
「燙」在裏面是由0xCCCC來表示的,而0xCC又剛好是未初始化的內存的賦值。因而,在讀到沒有賦值的內存地址或者變量的時候,電腦就開始大叫「燙燙燙」了。
到這裏,相信你發現,咱們能夠用二進制編碼的方式,表示任意的信息。只要創建起字符集和字符編碼,而且獲得你們的認同,咱們就能夠在計算機裏面表示這樣的信息了。因此說,若是你有心,要發明一門本身的克林貢語並非什麼難事。
不過,光是明白怎麼把數值和字符在邏輯層面用二進制表示是不夠的。咱們在計算機組成裏面,關心的不僅是數值和字符的邏輯表示,更要弄明白,在硬件層面,這些數值和咱們一直提的晶體管和電路有什麼關係。下一講,我就會爲你揭開神祕的面紗。我會從時鐘和D觸發器講起,最終讓你明白,計算機裏的加法,是如何經過電路來實現的。