C++基础编程第一章：byte、多字节、宽字节、Uincode、UTF8等

前言

写了好些年代码了，却一直没有去深究这些基础，最近闲来有时间研究一下。建议从头开始看，因为这些知识点都是层层递进的。

英文	中文对照
bit	位（比特）
byte	字节

Byte和Bit

• bit 表示位。二进制数系统中，每个 0 或 1 就是一个位（bit），是存储信息的最小单位。
• Byte 表示字节。字节是由 8 个位所组成，一个字节存储 8 位无符号数，储存的数值范围为 0-255。

Byte和Int

• int类型会占用4个byte。
• byte 的大小范围是-128—127 ，int的大小范围是-2147483648到2147483647。

ASCII

将二进制通过一套特殊的规则转换为英文字符和一些特殊符号，这套编码格式就叫ASCII字符集。

• ASCII字符集，它使用7 bit来表示一个字符，总共表示128个字符
• ASCII字符集的最高位永远是0。0加上7bit 正好是8bit表示一个byte。例如第128个字符，它的二进制表示为 0111 1110。

Unicode

为了统一所有文字的编码，Unicode应运而生。Unicode把所有语言都统一到一套编码里，这样就不会再有乱码问题了。ASCII为一个byte只能表示英文和一些特殊符号，Unicode是它的升级版。

Unicode 为世界上所有字符都分配了一个唯一的编号。

它是一种规定，Unicode 本身只规定了每个字符的编号是多少，并没有规定这个编号如何存储。 有的人会说了，那我可以直接把 Unicode 编号直接转换成二进制进行存储，是的，你可以。但是这种方法不一定是最好的，会在传输、存储中浪费很多内存空间，所以后续出现了多种UTF版本。

以英文字母 “I” 举例，它的Unicode唯一编号为 “0049” 。转化为二进制存储为”00000000 01001001“ ，但是用UTF-8存储为”01001001“，存储时候少了8位，这就是为什么需要UTF-16,UTF-8等格式了。

• 想了解更多unicode编码和utf-8编码的区别，请查看该博客
• UNICODE 最开始16bit的编码. 后来扩展到了21bit
• UTF(Unicode Transformation Format)为Unicode的各种扩展方案，增加运行效率或者易用性。简单来说，Unicode 是「字符集」而UTF-8 是「编码规则」

简述UTF-8、UTF-16、UTF-32的区别

• UTF-32 用四个byte表示一个字符
• UTF-16 用两个byte表示一个字符
• UTF-8 可变byte，比如汉字字符用3个byte，英语字符用1个byte。这样在多英文字符的时候，存储占用字节更小，利于网络传输。

宽字节、多字节

• ANSI字符集所支持的就是多字节的也叫窄字节，类型来说就对应char类型。1 char = 1 byte 。
• Unicode字符集也叫宽字符集，所支持的就是宽字符集，从类型上来说就是 wchar_t类型。从上面的Unicode介绍中可以知道，wchar_t = 2 char。

在MFC中，ANSI字符集 所支持的就是多字节的也叫窄字节，类型来说就对应char类型。 Unicode字符集 也叫宽字符集
所支持的就是宽字符集，从类型上来说就是 wchar_t类型。
为了方便在不同的字符集上转换，就有了一种TCHAR类型，TCHAR能随着窄宽字节的变化自动变化。CString也是这样的。我们在定义CString的时候就需要使用的宏_T(“值”)或者TEXT(“值”)来表示文字了，这两个宏也是随编码不同，自动把里面的值转换成对应的编码。

• 推荐一篇博客：多字节与宽字节的区别

类型	解释
char	多字节字符，一个char占一个字节
wchar_t	宽字符，一个wchar_t占2个字节
LPSTR	char* 也就是char的指针
LPCSTR	const char* 也就是一个限定不会被改变的char指针
LPWSTR	wchar_t*
LPCWSTR	const wchar_t*
LPTSTR	TCHAR*
LPCTSTR	const TCHAR*