字符编码

男娘i 2022-07-28 01:00 7阅读 0赞

输入字符–>计算机根据编码表转换成二进制数，然后进行计算–>再将二进制的计算结果通过编码表转换成字符，反馈给用户。

# ASCII #

ASCII码表全称是“美国信息交换标准代码”。  
![这里写图片描述][20160327114525817]  
在计算机内部，所有的信息最终都表示为一个二进制的字符串。每一个二进制位（bit）有0和1两种状态，因此八个二进制位就可以组合出256种状态，这被称为一个字节（byte）。也就是说，一个字节一共可以用来表示256种不同的状态，每一个状态对应一个符号，就是256个符号，从0000000到11111111。  
上个世纪60年代，美国制定了一套字符编码，对英语字符与二进制位之间的关系，做了统一规定。这被称为ASCII码，一直沿用至今。  
ASCII码一共规定了128个字符的编码，比如空格”SPACE”是32（二进制00100000），大写的字母A是65（二进制01000001）。这128个符号（包括32个不能打印出来的控制符号），只占用了一个字节的后面7位，最前面的1位统一规定为0。  
缺陷:英语用128个符号编码就够了，但是用来表示其他语言，128个符号是不够的。并且一个字节只能表示256种符号，肯定是不够的，就必须使用多个字节表达一个符号。比如，简体中文常见的编码方式是GB2312，使用两个字节表示一个汉字，所以理论上最多可以表示256x256=65536个符号。

# Unicode #

世界上存在着多种编码方式，同一个二进制数字可以被解释成不同的符号。因此，要想打开一个文本文件，就必须知道它的编码方式，否则用错误的编码方式解读，就会出现乱码。  
如果有一种编码，将世界上所有的符号都纳入其中。每一个符号都给予一个独一无二的编码，那么乱码问题就会消失。这就是Unicode（统一码，万国码），就像它的名字都表示的，这是一种所有符号的编码。  
Unicode有两套标准，一套叫UCS-2(Unicode-16)，用2个字节为字符编码，另一套叫UCS-4(Unicode-32)，用4个字节为字符编码。  
以目前常用的UCS-2为例，它可以表示的字符数为2^16=65535，基本上可以容纳所有的欧美字符和绝大部分的亚洲字符 。  
缺陷：1.无法区分Unicode和ASCII，计算机怎么知道三个字节表示一个符号，而不是分别表示三个符号呢？2.英文字母只用一个字节表示就够了，如果Unicode统一规定，每个符号用三个或四个字节表示，那么每个英文字母前都必然有二到三个字节是0，这对于存储来说是极大的浪费，文本文件的大小会因此大出二三倍，这是无法接受的。

# UTF-8 #

UTF-8是Unicode的实现方式之一。  
互联网的普及，强烈要求出现一种统一的编码方式。  
UTF-8最大的一个特点，就是它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。  
1.对于单字节的符号，字节的第一位设为0，后面7位为这个符号的unicode码。因此对于英语字母，UTF-8编码和ASCII码是相同的。  
2.对于n字节的符号（n>1），第一个字节的前n位都设为1，第n+1位设为0，后面字节的前两位一律设为10。剩下的没有提及的二进制位，全部为这个符号的unicode码。

<table> 
 <thead> 
  <tr> 
   <th>字节</th> 
   <th align="left">二进制</th> 
  </tr> 
 </thead> 
 <tbody> 
  <tr> 
   <td>1</td> 
   <td align="left">0xxxxxxx</td> 
  </tr> 
  <tr> 
   <td>2</td> 
   <td align="left">110xxxxx 10xxxxxx</td> 
  </tr> 
  <tr> 
   <td>3</td> 
   <td align="left">1110xxxx 10xxxxxx 10xxxxxx</td> 
  </tr> 
  <tr> 
   <td>4</td> 
   <td align="left">11110xxx 10xxxxxx 10xxxxxx 10xxxxxx</td> 
  </tr> 
 </tbody> 
</table>

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，就表示当前字符占用多少个字节。

# 记事本的编码格式 #

![这里写图片描述][20160327132555511]  
1.ANSI是指默认的编码方式，并不是确定的一种编码，在简体中文操作系统指的是 GB2312，在繁体操作系统指的是 BIG5。（泛指最早每种国家语言各自实现的编码方式，各个编码互相之间不兼容）  
2.Unicode编码指的是UCS-2编码方式，即直接用两个字节存入字符的Unicode码。这个选项用的little endian格式。（以汉字”严”为例，Unicode码是4E25，需要用两个字节存储，一个字节是4E，另一个字节是25。存储的时候，4E在前，25在后，就是Big endian方式；25在前，4E在后，就是Little endian方式。）  
3.Unicode big endian编码与上一个选项相对应。  
4.UTF-8  
为了区分记事本用的是哪种编码方式，会在前面加上标签，也就是BOM（位元组顺序记号(Byte Order Mark)）。  
FF FE，则为Unicode big endian  
FE FF，则为Unicode  
EF BB BF，则为UTF-8  
没有标签，则为ANSI

# Encoding #

利用Encoding类实现字符串与字节数组的转换

//利用gb2312编码把'我'转换成字节数组
    byte []bs=Encoding.GetEncoding("gb2312").GetBytes(new char[] { '我' });
    foreach (byte item in bs)
    {    
         Console.WriteLine(item.ToString("x2"));                   
    }
    //ce
    //d2
    
    //利用系统默认编码把'我'转换成字节数组
    byte []bs=Encoding.Default.GetBytes(new char[] { '我' });
    foreach (byte item in bs)
    {    
         Console.WriteLine(item.ToString("x2"));                   
    }
    //ce
    //d2

*参考资料：*[字符编码笔记：ASCII，Unicode和UTF-8 - 阮一峰的网络日志][ASCII_Unicode_UTF-8 -]

[20160327114525817]: /images/20220727/5933be644cd744b7bbce5c2d4afdd845.png
[20160327132555511]: /images/20220727/8173d50fa4954bec9f3c7d14fd33de15.png
[ASCII_Unicode_UTF-8 -]: http://www.ruanyifeng.com/blog/2007/10/ascii_unicode_and_utf-8.html