位（bit）、字节（byte）、字符、编码之间的关系

亦凉 2023-06-18 15:54 21阅读 0赞

#### 1、位： ####

数据存储的最小单位。每个二进制数字0或者1就是1个位；

#### 2、字节： ####

8个位构成一个字节；即：1 byte (字节)= 8 bit(位)；
     
     1 KB = 1024 B(字节)；
     1 MB = 1024 KB;   (2^10 B)
     1 GB = 1024 MB;  (2^20 B)
     1 TB = 1024 GB;   (2^30 B)

#### 3、字符： ####

a、A、中、+、*、の......均表示一个字符；
     
     一般 utf-8 编码下，一个汉字 字符 占用 3 个 字节；
    
     一般 gbk 编码下，一个汉字  字符  占用 2 个 字节；

#### 4、字符集： ####

即各种各个字符的集合，也就是说哪些汉字，字母（A、b、c）和符号（空格、引号..）会被收入标准中；

#### 5、编码： ####

> 规定每个“字符”分别用一个字节还是多个字节存储，用哪些字节来存储，这个规定就叫做“编码”。（其实际是对字符集中字符进行编码，即：每个字符用二进制在计算中表示存储）；  
> 通俗的说：编码就是按照规则对字符进行翻译成对应的二进制数，在计算器中运行存储，用户看的时候（比如浏览器），在用对应的编码解析出来用户能看懂的；

1.  标准ASCii字符集：有96个打印字符，和32个控制字符组成；一共96+32=128个；  
    用7位二进制数来对每1个字符进行编码；  
    而由于7位还还不够1个字节，而电脑的内部常用字节来用处理，每个字节中多出来的最高位用0替代；  
    0 000 0000…0  
    0 111 1111…127； 从0----127，来表示128个ACSii编码；  
    比如：字符 ‘A’----------在计算器内部用0100 0001 （65）来表示；  
    字符’a’-----------在计算器内部用0 110 0001 （97）来表示；  
    注意：'10’在计算器内部是没有编码的，因为它是字符串，而不是单个字符。可以分别对1,0字符编码存储；
2.  扩展ASCii字符集：将标准的ASCii最高位1，得到十进制代码128—255（1 000 0000----1 111 1111）；所以字符集一共有0—255, 256个字符；
3.  gb2312字符集: 所有汉字字符在计算机内部采用2个字节来表示，每个字节的最高位规定为1【正好与标准ASCii字符（最高位是0）不重叠，并兼容】，不支持繁体字；  
    所以：gb2312表示汉字的编码为：\[129–255\]\[129–255\] (两个字节，每个字节最高位是1)；小于127的字符，与ASCii编码相同；
4.  gbk字符集：gb2312的扩充，兼容gb2312，除了收录gb2312所有的字符外，还收录了其他不常见的汉字、繁体字等；  
    gbk中字符是一个或两个字节，单字节字符00–7F（0—127）这个区间和ASCII是一样的；  
    双字节字符的第一个字节是在81–FE（129–254）之间。通过这个可以判断是单字节还是双字节；  
    即：在gbk字符编码，如果第一个字节是>128的，则再往后找一个字节，组成汉字；如果第一个字节<128,则表示的是一个单字节（此时和ASCII是一样的）；

// gbk编码下，无乱码截取中文字符；
     
    // 方法1：自定义函数1;
     
    function subgbk($str,$lens){   // 形参 $str 表示将要截取的原始字符串， $lens 表示 设定需要截取的 字符 个数；
    	
    	if($lens<=0){ 
    		
    		return '';
    	}
    	
    	$chars = 0;   // 计算，统计已经截取的字符个数；
    	$res = '';    // 已经截取的字符长度;
        $offset = 0;  // 偏移量,从字符串中那个字节开始截取;
    	
    	$lengths = strlen($str);    // 将要截取的原始字符串 字节 的数；
        while($chars<$lens && $offset<$lengths){ 
    		
    		$hight = ord(substr($str,$offset,1));  // 计算出 gbk字符中 高字节的所对应编码的值;
    		
    		
    		
    		if($hight>128){ 
    			
    			// 截取两个字节，代表一个字符；即：双字节字符;
    			$count = 2;
    		}else{ 
    			
    			//截取一个字节，代表一个字符，即：单字节字符；
    			$count = 1;
    		}
    		
    		$res .= substr($str,$offset,$count);
    		$offset += $count;
    		$chars++;
    	}	
    	
    	return $res;
    }

// 方法2：自定义函数2；
     
    // 思路：先把字符串中 所有的 字符 逐一取出来 组成数组，然后对 数组元素 进行截取;最后截取出的数组拼接成想要的字符串;
     
    function strgbk2($str,$strat,$length=NULL){    // 第三个参数默认设置的值是NULL，这个参数是参考了下边的array_slice()函数，如果省略的话，则表示，一直截取到最后末尾;
    	
    	$zijielen = strlen($str);    // 计算出 原始字符串 $str 的 字节长度;
    	
    	$chars = 0;     // 统计计算截取的 字符 数;
    	
    	$zifuarr = array();  //将字符串按照 字符 的形式 分割到 数组中；(待存储); 
    	
    	for($i = 0;$i<$zijielen;){   // $i 表示 原始字符串 $str 中的字节(标记); 
    		
    		if(ord(substr($str,$i,1)) > 128){ 
    			// 双字节字符，两个字节来表示一个字符；
    			
    			$zifuarr[] = $str[$i].$str[$i+1];
    		// $zifuarr[] = substr($str,$i,2); 两种写法的意思是一样的,都是 取得 某个字符 某些的 字节；
    			$i += 2;
    		}else{ 
    			// 单字节字符，一个字节表示一个字符；
    			
    			$zifuarr[] = $str[$i];
    		// $zifuarr[] = substr($str,$i,1); 两种写法的意思是一样的,都是 取得 某个字符 某个的 字节；
    			$i++;
    		}
    		
    	   $chars++;        // 每次循环，相当于截取一个存储 字符; 相当于所有的数组元素个数 count($zifuarr);
    	}
    		
    	if($chars < $strat){     // 当偏移 过 字符 总长度时候；(开始截取的位置，已经超过了字符的总长度)；
    		return 'No characters have been found !';
    	}
    	
    	return implode(array_slice($zifuarr,$strat,$length));  // array_slice（）是截取数组一部分;implode()是将截取出来的字符串，链接起来；
        
    }

// 方法3：用php内置的函数 mb_substr截取；
     
    //此函数和 mb_strlen()函数一样，都是针对 多字节 字符 的操作函数，在特定的编码下，针对 字符 的 截取(mb_substr)和长度的计算(mb_strlen)；
     
    $strgbk = 'ds我是fdg一个中国xghdt人';
    echo mb_substr($strgbk,2,3,'gbk');  // 我是f

1.  Unicode字符集：容纳世界上所有语言字符和符号的集合；（以及对应的二进制数字）；
    
    Unicode只是一个编码规范，目前实际实现的unicode编码只要有三种：UTF-8,UCS-2和UTF-16，三种unicode字符集之间可以按照规范进行转换。
2.  utf-8编码：UTF-8（8-bit Unicode Transformation Format）是一种针对Unicode的可变长度字符编码，也是一种前缀码。它可以用来表示Unicode标准中的任何字符，且其编码中的第一个字节仍与ASCII兼容，这使得原来处理ASCII字符的软件无须或只须做少部分修改，即可继续使用。因此，它逐渐成为电子邮件、网页及其他存储或发送文字的应用中，优先采用的编码。

对于UTF-8编码中的任意字节B，如果B的第一位为0，则B独立的表示一个字符(ASCII码)；

如果B的第一位为1，第二位为0，则B为一个多字节字符中的一个字节(非ASCII字符)；

如果B的前两位为1，第三位为0，则B为两个字节表示的字符中的第一个字节；

如果B的前三位为1，第四位为0，则B为三个字节表示的字符中的第一个字节；

如果B的前四位为1，第五位为0，则B为四个字节表示的字符中的第一个字节；

因此，对UTF-8编码中的任意字节，根据第一位，可判断是否为ASCII字符；根据前二位，可判断该字节是否为一个字符编码的第一个字节；根据前四位（如果前两位均为1），可确定该字节为字符编码的第一个字节，并且可判断对应的字符由几个字节表示；根据前五位（如果前四位为1），可判断编码是否有错误或数据传输过程中是否有错误。

即：  
1、单字节的字符，字节的第一位设为0，对于英语文本，UTF-8码只占用一个字节，和ASCII码完全相同；  
2、n个字节的字符(n>1)，第一字节的前n位设为1，第n+1位设为0，后面字节的前两位都设为10；

3、2个字节，第一个字节的前2位是1；3个字节，第一个字节的前三位是1； 4个字节，第一个字节的前4位都是1；

// 如何截取中文，无乱码，假设utf-8编码；

// 方法1：自定义函数； 
     
    function subutf8($str,$len){   // 两个形式参数，$str代表原始目标字符串，$len表示需要截取 字符 的个数; 注意是 字符的 个数；
            
    		if($len<=0){      // 当 将要截取的字符数 <=0的时候 返回 空字符串；
    			
    			return '';
    		}
    		
    		
    		$chars = 0 ;                                // $chars 参数 代表 已经截取的字符的个数， 默认初始设置为0；
    		$res = '';                                  // $res 参数 表示 已经截取的字符串的长度， 默认初始设置为空(字符串);
    		$offset = 0;                                // $offset 参数 表示 字节 截取的偏移量； 即从字符串中（偏移几个字节）哪个字节开始截取； 
    		$lengths = strlen($str);                    // $lengths 参数 表示 原始整个字符串的 字节的长度; 而应保证 $offset < $lengths; 否则都无字符可截取； 
    		
    		while($chars<$len && $offset < $lengths){    // $chars<$len; 应是< 而不是<= ；因为是从0开始的，并执行循环截取的；
    			
    			$higher = decbin(ord(substr($str,$offset,1)));  // 计算出 一个字符 中 第一个字节（高字节）的二进制；
    			
    			if(strlen($higher) < 8){       // decbin（）函数 转换出来的 二进制数 如果 <128（10000000） 的时候，即是二进制长度<8位的时候，前面高位不默认补0；
    				// 截取一个字节；(表示一个字符)；
    				$count = 1;
    				
    			}else if(substr($higher,0,3) == '110'){ 
    				//截取两个字节(表示一个字符)；
    				$count = 2;
    				
    			}else if(substr($higher,0,4) == '1110'){ 
    				//截取三个字节(表示一个字符)；
    				$count = 3;
    				
    			}else if(substr($higher,0,5) == '11110'){ 
    				//截取四个字节(表示一个字符)；
    				$count = 4;
    				
    			}else if(substr($higher,0,6) == '111110'){ 
    				//截取五个字节(表示一个字符)；
    				$count = 5;
    				
    			}else if(substr($higher,0,7) == '1111110'){ 
    				//截取六个字节(表示一个字符)；
    				$count = 6;
    				
    			}
    			
    			$res .= substr($str,$offset,$count);
    			
    			$offset += $count;
    			
    			$chars++;
    			
    		}
    	
    	return $res;
    }

//方法2:使用系统函数截取
    mb_substr(),不会乱码.例:
    $str = '换s几ss个字实现中文字串截取无乱码的方法。';
    echo mb_substr($str,0,5,'UTF-8');// '换s几ss'
     
    ?>php
    // 中文字符串实现反转;
     
    $a = '我是一个好人';
    function strrevv($str) { 
    	$strlen = mb_strlen($str,'UTF-8');
    	$arr = array();
    	for($a=0;$a<=$strlen;$a++) { 
    		
    	    $arr[] = mb_substr($str,$a,1,'UTF-8');
    	}
    	
    	$newstr = implode('',array_reverse($arr));
    	return $newstr;
    }
    echo strrevv($a);
     
    // mb_strlen(str,utf-8); 字符串中字符的个数;
     
    // mb_substr(str,start,length,utf-8); 多字节字符的截取;
     
    // mb_strpos(str,needle,offset,utf-8);查找子字符串，在字符串中出现的位置;
     
    // mb_substr_count(str,needle,utf-8);统计子字符串，在字符串中出现的次数;