é，但在俄语中表示另一个字符。
在亚洲国家的文字，使用的符号就更多了，汉字就有多达10左右。所以必须使用多个字节表示一个符号。
比如简体中文常见的编码方式是GB2312，用两个字节表示一个汉字。最多可表示256*256=65536.
GBK(K代表扩展的意思)则是在GB2312的基础上加入了对繁体字符等其他非简体字字符。用双字节表示。8140~FEFE，首字节在81-FE之间，尾字节在40~FE之间。
中文繁体Big5
Unicode
是一种所有符号的编码，将世界上所有的符号都纳入其中，每个符号都有一个独一无二的编码。
Unicode是一个很大的集合，现在的规模可以容纳100多万个符号。具体查询unicode.org，或者专门的汉字对应表。
unicode只规定了符号的二进制代码，却没有规定这个二进制代码应该如何存储。
比如“严”的unicode是十六进制4E25，转换成二进制（100 1110 0010 0101）
也就是说这个符号的表示至少需要2个字节。表示其他更大的符号，可能需要3个字节或者4个字节，甚至更多。
问题：
1.如何才能区分unicode和ASCII？
2.英文字母只用1个字节表示就OK了，如果unicode同意规定，每个符号用三个或四个字节表示，那么每个英文字母前面都浪费了。
所以出现了unicode的多种存储方式。
UTF8：unicode的实现方式之一
utf8是在互联网上使用最广的一种unicode的实现方式，其他实现方式还包括UTF16和UTF32。
UTF8是一种变长的编码方式，可以使用1~4个字节表示一个符号，根据不同的符号儿变化字节长度。
UTF8编码规则：
1.对于单字节的符号，字节第一位设为0，后面7位为这个符号的unicode码。因此对于英文字母，UTF8编码和ASCII码是相同。
2.对于n（n>1）字节的符号，第一个字节前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。
比如“严” （100 1110 0010 0101）1110xxxx 10xxxxxx 10xxxxxx->11100100 10111000 10100101
Unicode符号范围 | UTF-8编码方式
(十六进制) | （二进制）
-------------------------------+---------------------------------------------
0000 0000-0000 007F | 0xxxxxxx
0000 0080-0000 07FF | 110xxxxx 10xxxxxx 有效编码位：8到11位 用2个字节存储
0000 0800-0000 FFFF | 1110xxxx 10xxxxxx 10xxxxxx 有效编码位：12到16 用3个字节
0001 0000-0010 FFFF | 11110xxx 10xxxxxx 10xxxxxx 10xxxxxx 有效位：17~21用4个字节
Unicode与UTF-8之间的转换
通过上一节的例子，可以看到“严”的Unicode码是4E25，UTF-8编码是E4B8A5，两者是不一样的。它们之间的转换可以通过程序实现。
在Windows平台下，有一个最简单的转化方法，就是使用内置的记事本小程序Notepad.exe。打开文件后，点击“文件”菜单中的“另存为”命令，会跳出一个对话框，在最底部有一个“编码”的下拉条。
里面有四个选项：ANSI，Unicode，Unicode big endian 和 UTF-8。
1）ANSI是默认的编码方式。对于英文文件是ASCII编码，对于简体中文文件是GB2312编码（只针对Windows简体中文版，如果是繁体中文版会采用Big5码）。
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。
3）Unicode big endian编码与上一个选项相对应。我在下一节会解释little endian和big endian的涵义。
4）UTF-8编码，也就是上一节谈到的编码方法。
选择完”编码方式“后，点击”保存“按钮，文件的编码方式就立刻转换好了。
7. Little endian和Big endian
上一节已经提到，Unicode码可以采用UCS-2格式直接存储。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。
这两个古怪的名称来自英国作家斯威夫特的《格列佛游记》。在该书中，小人国里爆发了内战，战争起因是人们争论，吃鸡蛋时究竟是从大头(Big-Endian)敲开还是从小头(Little-Endian)敲开。为了这件事情，前后爆发了六次战争，一个皇帝送了命，另一个皇帝丢了王位。
因此，第一个字节在前，就是”大头方式“（Big endian），第二个字节在前就是”小头方式“（Little endian）。
那么很自然的，就会出现一个问题：计算机怎么知道某一个文件到底采用哪一种方式编码？
Unicode规范中定义，每一个文件的最前面分别加入一个表示编码顺序的字符，这个字符的名字叫做”零宽度非换行空格“（ZERO WIDTH NO-BREAK SPACE），用FEFF表示。这正好是两个字节，而且FF比FE大1。
如果一个文本文件的头两个字节是FE FF，就表示该文件采用大头方式；如果头两个字节是FF FE，就表示该文件采用小头方式。
8. 实例
下面，举一个实例。
打开”记事本“程序Notepad.exe，新建一个文本文件，内容就是一个”严“字，依次采用ANSI，Unicode，Unicode big endian 和 UTF-8编码方式保存。
然后，用文本编辑软件UltraEdit中的”十六进制功能“，观察该文件的内部编码方式。
1）ANSI：文件的编码就是两个字节“D1 CF”，这正是“严”的GB2312编码，这也暗示GB2312是采用大头方式存储的。
2）Unicode：编码是四个字节“FF FE 25 4E”，其中“FF FE”表明是小头方式存储，真正的编码是4E25。
3）Unicode big endian：编码是四个字节“FE FF 4E 25”，其中“FE FF”表明是大头方式存储。
4）UTF-8：编码是六个字节“EF BB BF E4 B8 A5”，前三个字节“EF BB BF”表示这是UTF-8编码，后三个“E4B8A5”就是“严”的具体编码，它的存储顺序与编码顺序是一致的。
MORE
字符必须编码后才能被计算机处理。计算机使用的缺省编码方式就是计算机的内码。
从ASCII,GB2312，GBK到GB18030，这些编码方法是向下兼容的。GB2312，GBK,GB18030都是双字节的，区分中文编码的方法是高字节的最高位不为0；
有的中文windows的缺省内码还是GBK，但是可以通过升级包升级为GB18030.
GB2312的两个字节的最高位都是1
GBK，GB18030最高位是1，但低字节最高位是否为1就不一定。
扫一扫
2787
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
