谈谈字符编码间的区别与联系

关注

原创最新推荐文章于 2026-07-11 18:33:24 发布 1.1k 阅读 AI 写同款· GEO 优化 ›

YOLOv11模型改进-模块-引入空间池化模块StripPooling 解决遮挡、小目标本文介绍了一种新的空间池化策略，称为，用于场景解析。结构：包括两个平行路径，分别进行水平和垂直方向的条带池化，然后通过1D卷积层进行特征调整。：结合了条带池化和传统的空间池化，分别用于捕捉长距离和短距离的依赖关系。作用捕捉长距离依赖：通过长条形的池化窗口，有效捕捉分布离散的区域之间的关系。避免不相关信息干扰：窄条形的池化窗口有助于捕捉局部上下文，防止不相关区域干扰标签预测。提高场景解析性能：在多个基准数据集上，证明了这种方法能够显著提升场景解析的效果。阅读详情

写了这么久的code，无时无刻不与encode打交道，竟然没有搞清楚各字符编码间的区别与联系。今天特意抽了短时间，来补补。

1. ASCII码（American Standard Code for Information Interchange，美国信息交换标准代码）

在计算机中,所有的信息都是以二进制形式存储和表示的。每一个二进制位（bit）有0和1两种状态，因此8个bit（一个字节）就可以组合出256种状态。每一个状态对应一个字符，就可以表示256个字符。
ASCII码使用指定的7位或8位二进制数组合来表示128或256种可能的字符。标准ASCII码也叫基础ASCII码，使用7位二进制数来表示所有的大写和小写字母，数字0-9、标点符号，以及在美式英语中使用的特殊控制字符。0～31及127(共33个)是控制字符或通信专用字符，32～126(共95个)是字符，后128个称为扩展ASCII码。

2. ISO8859-1

ISO/IEC8859-1，又称Latin-1或“西欧语言”，是国际标准化组织内ISO/IEC 8859的第一个8位字符集。它以ASCII为基础，在空置的0xA0-0xFF的范围内，加入96个字母及符号，藉以供使用变音符号的拉丁字母语言使用。

3. GB2312/GBK/BIG5

对英语来说128个符号编码就够了，但是对其他语言来说，就是把”扩展字符集”填充了也远远满足不了需求，这就产生了多个字节表达一个符号情况。
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。台湾搞了一套繁体中文的编码方式BIG5。后来出现一套GB2312的扩展GBK，除了兼容GB2312外，它还能显示繁体中文，还有日文的假名。

4. Unicode编码

由于存在多种编码方式,因而同一个二进制数字可以被解释成不同的符号。要想打开一个文本文件，就必须知道其编码方式，否则用错误的编码方式解读，就会产生乱码。为了解决传统的字符编码方案的局限，Unicode就诞生了。Unicode是国际组织制定的可以容纳世界上所有文字和符号的字符编码方案，它为每种语言中的每个字符设定了统一并且唯一的二进制编码，以满足跨语言、跨平台进行文本转换、处理的要求。

Unicode的学名是"Universal Multiple-Octet Coded Character Set"，简称为UCS。
Unicode编码系统可分为编码方式和实现方式两个层次。
- UCS有两种编码方式：UCS-2和UCS-4。顾名思义，UCS-2就是用两个字节编码，UCS-4就是用4个字节（实际上只用了31位，最高位必须为0）编码。UCS-2有2^16=65536个码位，UCS-4有2^31=2147483648个码位。
- UCS-4根据最高位为0的最高字节分成2^7=128个group。每个group再根据次高字节分为256个plane。每个plane根据第3个字节分为256行 (rows)，每行包含256个cells。当然同一行的cells只是最后一个字节不同，其余都相同。group 0的plane 0被称作Basic Multilingual Plane, 即BMP。或者说UCS-4中，高两个字节为0的码位被称作BMP。将UCS-4的BMP去掉前面的两个零字节就得到了UCS-2。在UCS-2的两个字节前加上两个零字节，就得到了UCS-4的BMP。而目前的UCS-4规范中还没有任何字符被分配在BMP之外。
Unicode的实现方式不同于编码方式。一个字符的Unicode编码是确定的,但是在实际传输过程中，由于不同系统平台的设计不一定一致，以及出于节省空间的目的，对Unicode编码的实现方式有所不同。Unicode的实现方式称为Unicode转换格式（Unicode Transformation Format，简称为UTF）。

5. UTF-8

UTF-8是Unicode的实现方式之一；
它是一种变长编码，需要1~4个8位长的码元来表示；
兼容于ASCII编码。

UTF-8的编码规则很简单，只有二条：
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。
下表总结了编码规则，字母x表示可用编码的位。

跟据上表，解读UTF-8编码非常简单。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。
下面，还是以汉字"严"为例，演示如何实现UTF-8编码。
已知"严"的unicode是4E25（100111000100101），根据上表，可以发现4E25处在第三行的范围内（0000 0800-0000 FFFF），因此"严"的UTF-8编码需要三个字节，即格式是"1110xxxx 10xxxxxx 10xxxxxx"。然后，从"严"的最后一个二进制位开始，依次从后向前填入格式中的x，多出的位补0。这样就得到了，"严"的UTF-8编码是"11100100 10111000 10100101"，转换成十六进制就是E4B8A5。

6. UTF-16

UTF-16也是Unicode的实现方式之一；
它是一种变长编码，需要1~2个16位长的码元来表示；
UTF-16比起UTF-8，好处在于大部分字符都以固定长度的字节 (2字节) 储存，但UTF-16却无法兼容于ASCII编码。

在麦金塔计算机（Mac）机和个人计算机上，对字节顺序的理解是不一致的。这时同一字节流可能会被解释为不同内容，如某字符为十六进制编码4E59，按两个字节拆分为4E和59，在Mac上读取时是从低字节开始，那么在Mac OS会认为此4E59编码为594E，找到的字符为“奎”，而在Windows上从高字节开始读取，则编码为U+4E59的字符为“乙”。就是说在Windows下以UTF-16编码保存一个字符“乙”，在Mac OS环境下打开会显示成“奎”。此类情况说明UTF-16的编码顺序若不加以人为定义就可能发生混淆，于是在UTF-16编码实现方式中使用了大端序（Big-Endian，简写为UTF-16 BE）、小端序（Little-Endian，简写为UTF-16 LE）的概念，以及可附加的字节顺序记号解决方案，目前在PC机上的Windows系统和Linux系统对于UTF-16编码默认使用UTF-16 LE。

7. BOM(Byte order Mark)

字节顺序标记BOM是位于码点U+FEFF的统一码字符的名称。当以UTF-16或UTF-32来将UCS/统一码字符所组成的字符串编码时，这个字符被用来标示其字节序。
字节顺序标记被放置为文件或字符串流的第一个字符,如果接收者收到FEFF，就表明这个字节流是Big-Endian的；如果收到FFFE，就表明这个字节流是Little-Endian的。
UTF-8则没有字节顺序的议题。UTF-8编码过的字节顺序标记则被用来标示它是UTF-8的文件。它只用来标示一个UTF-8的文件，而不用来说明字节顺序。如果接收者收到以EF BB BF开头的字节流，就知道这是UTF-8编码了。