简单理解【编码】和【字符集】

淡淡的烟草味﹌ 2024-04-03 09:59 95阅读 0赞

## 字符集和比较规则简介 ##

### 字符集简介 ###

首先在这里推荐一本书籍《编码：隐匿在计算机软硬件背后的语言》，这本书深入浅出地介绍了计算机底层相关的诸多内容。

我们知道在计算机中只能存储二进制数据，那该怎么存储字符串呢？我们可以建立字符与二进制数据的映射关系 ，建立这个关系最起码要搞清楚两件事：

1.  要把哪些字符映射称二进制数据？（也就是界定清楚字符范围）
2.  怎么映射？

我们将一个**字符**映射成一个二进制数据的过程叫做**编码**；

把**二进制数据**映射成一个字符的过程叫做**解码**。

人们抽象出一个**字符集**的概念来描述某个字符范围的编码规则，比如说现在我自定义一个名叫**Eneru**的字符集，它包含的字符范围和编码规则如下：

*  包含字符‘A’、‘B’、‘C’、‘D’
 *  编码规则如下：
    
    采用1个字节编码一个字符的形式，字符和字节的映射关系如下：
    
    ‘A’ -> 00000001（十六进制：0x01)
    
    ‘B’ -> 00000010（十六进制：0x02)
    
    ‘C’ -> 00000011（十六进制：0x03)
    
    ‘D’ -> 00000100（十六进制：0x04)

有了**Eneru**字符集，就可以使用二进制来表示一些字符串了：

‘AD’ -> 0000000100000100（十六进制：0x0104)

‘DE’ -> 无法表示，该字符集不包含字符’E’

### 比较规则简介 ###

在确定了**Eneru**字符集表示字符的范围和编码规则之后，怎么比较两个字符的大小呢？

最容易想到的是直接比较这两个字符对应的二进制编码的大小，比如’A’的编码0x01，‘B’的编码0x02，所以’A’小于’B’。这种简单的比较规则也可以称为**二进制比较规则(binary collation)**。

二进制比较规则是简单的，但是有时候并不合符实际需求，比如在很多场合对于英文字符我们不区分大小写，也就是说’a’和’A’是相等的，在这种场合下就不能简单粗暴地使用二进制比较规则了，这时候可以这样指定规则：

1.  将两个大小写不同的字符全都转换成大写或者小写
2.  再比较这两个字符对应的二进制数据（比如比较’AB’和’AC’，先比较第一位’A’，发现是相等的；比较下一位发现B小于C，那么’AB’小于’AC’。

这是一种稍微复杂一点点的比较规则，但是实际生活中的字符不止英文字符一种，比如我们的汉字有几万之多，对于某一种字符集来说，比较两个字符大小的规则可以制定出很多种，即**同一种字符集可以有多种比较规则**。下面介绍一些常见的字符集和编码规则。

### ASCII（字符集） ###

ASCII（ American Standard Code for InformationInterchange，美国信息交换标准代码）是基于拉丁字母的⼀套电脑编码系统，主要⽤于显⽰**现代英语和其他西欧语⾔**。

使⽤7 位⼆进制数，共收录128个字符，包括空格、标点符号、数字、大小写字母和一些不可见字符。由于总共才128个字符，所以可以使用**1个字节**来进行编码。

32～126(共95 个)是字符(32 是空格） ， 其中48～57 为0 到9⼗个阿拉伯数字。

65～90 为26 个⼤写英⽂字母（A -> 65）， 97～122 号为26 个⼩写英⽂字母（a -> 97）， 其余为⼀些标点符号、运算符号等。

### Unicode（字符集） ###

ASCII 码，美国人用倒是没啥问题了，他们用到的字符几乎都包括了，但是世界上不只有美国程序员啊，所以需要一种更加全面的字符集。

Unicode（中文：万国码、国际码、统一码、单一码）是计算机科学领域里的一项业界标准。它对世界上大部分的文字系统进行了整理、编码，使得计算机可以用更为简单的方式来呈现和处理文字。

Unicode 发展由非营利机构统一码联盟负责，该机构致力于让Unicode 方案取代既有的字符编码方案。因为既有的方案往往空间非常有限，亦不适用于多语环境。

Unicode 可以表示中文。

### UTF-8（编码规则） ###

有了Unicode 为啥还需要UTF-8？

广义的Unicode 是一个标准，定义了**一个字符集**以及**一系列的编码规则**（前文说到了，**同一种字符集可以有多种比较规则**），即Unicode 字符集和UTF-8、UTF-16、UTF-32 等等编码规则。

Unicode 是字符集，UTF-8 是编码规则。

Unicode 虽然统一了全世界字符的二进制编码，但没有规定如何存储。

如果Unicode 统一规定，每个符号就要用三个或四个字节表示，因为字符太多，只能用这么多字节才能表示完全。

一旦这么规定，那么每个英文字母前都必然有二到三个字节是0，因为所有英文字母在ASCII 中都有，都可以用一个字节表示，剩余字节位置就要补充0。

如果这样，文本文件的大小会因此大出二三倍，这对于存储来说是极大的浪费。**因此出现了Unicode 的多种存储方式。**

**UTF-8 就是Unicode 的一个使用方式**，通过他的英文名`Unicode Tranformation Format` 就可以知道。

UTF-8 使用**可变长度字节**来储存Unicode 字符，例如ASCII 字母继续使用1 字节储存，重音文字、希腊字母或西里尔字母等使用2 字节来储存，而常用的汉字就要使用3 字节，辅助平面字符则使用4 字节。

一般情况下，同一个地区只会出现一种文字类型，比如中文地区一般很少出现韩文，日文等。所以使用这种编码方式可以大大节省空间。比如纯英文网站就要比纯中文网站占用的存储小一些。

### UTF8、UTF16、UTF32 的区别 ###

前文说到了，**同一种字符集可以有多种比较规则**。

Unicode 是字符集，UTF-8、UTF-16、UTF-32都是编码规则。

UTF-8 使用一至四个字节（**可变长度字节**）为每个字符编码，其中大部分汉字采用三个字节编码，少量不常用汉字采用四个字节编码。因为UTF-8 是可变长度的编码方式，相对于Unicode编码可以减少存储占用的空间，所以被广泛使用。

UTF-16 使用二或四个字节为每个字符编码，其中大部分汉字采用两个字节编码，少量不常用汉字采用四个字节编码。UTF-16 编码有大尾序和小尾序之别，即UTF-16BE和UTF-16LE，在编码前会放置一个U+FEFF 或U+FFFE（UTF-16BE 以FEFF代表，UTF-16LE 以FFFE 代表），其中U+FEFF 字符在Unicode 中代表的意义是ZERO WIDTH NO-BREAK SPACE，顾名思义，它是个没有宽度也没有断字的空白。

UTF-32 使用四个字节为每个字符编码，使得UTF-32 占用空间通常会是其它编码的二到四倍。UTF-32 与UTF-16 一样有大尾序和小尾序之别，编码前会放置U+0000FEFF 或U+0000FFFE 以区分。

平常使用UTF-8比较常见，16和32比较少见。

### GBK(编码规则) ###

有了UTF8 为什么还需要GBK？

其实UTF8 确实已经是国际通用的字符编码了，但是这种字符标准毕竟是外国定的，而国内也有类似的标准指定组织，也需要制定一套国内通用的标准，于是GBK 就诞生了。

GBK、GB2312、GB18030 之间的区别

三者都是支持中文字符的编码方式，最常用的是GBK。

以下内容来自CSDN，介绍的比较详细。

GB2312（1980 年）：16 位字符集，收录有6763 个简体汉字，682 个符号，共7445 个字符； 优点：适用于简体中文环境，属于中国国家标准，通行于大陆，新加坡等地也使用此编码； 缺点：不兼容繁体中文，其汉字集合过少。

GBK（1995 年）：16 位字符集，收录有21003 个汉字，883 个符号，共21886 个字符； 优点：适用于简繁中文共存的环境，为简体Windows 所使用（代码页cp936），向下完全兼容gb2312，向上支持ISO-10646 国际标准；所有字符都可以一对一映射到unicode2.0 上； 缺点：不属于官方标准，和big5 之间需要转换；很多搜索引擎都不能很好地支持GBK 汉字。

GB18030（2000 年）：32 位字符集；收录了27484 个汉字，同时收录了藏文、蒙文、维吾尔文等主要的少数民族文字。优点：可以收录所有你能想到的文字和符号，属于中国最新的国家标准； 缺点：目前支持它的软件较少。