字符集与字符编码总结

在软件的编码和实现中，我们可能会碰到个 一个比较头疼的问题－－编码，不同字符间的编码和解码，你确定了解各种字符的编码吗？一个朋友问到了我这 个问题，我虽然能回答一两个出来，但是感觉已经有点模糊，混乱了，在网上搜了搜，在书上翻了翻，总结一下吧。

基础

计算机中只能存储0，1二进制字节码。如果计算机需要处理文本，就必须把文本转换成数字才能进行处理。计算机在设计时采用8比特（bit）作为一个字节（byte）,所以一个字节能处理的最大整数是255（二进制11111111）

00000000-11111111   即 0-255

如果需要表示更大的整数，就必须占用更多的字节。

1字节  11111111=255
2字节  1111111111111111=65535
4字节  11111111111111111111111111111111=4294967295

编码由来

ASCII编码:计算机是美国人发明的，并且最早只有127个字母被编码到计算机中（大小字字母，数字，符合），这个编码被称为ASCII编码；
GB2312编码：显然中文的汉字数大于255，至少需要2个字节，而且还不能和ASCII冲突，所以中国制定了ASCII编码，把中文编了进去。

同理，中国有GB2312,日本有Shift_JIS,韩文有Euc_Kr...各国有各国的标准；这样问题来了，想避免冲突就难了，在多语言混合的文本中，就没有办法玩了。

Unicode编码：Unicode把各语言统一到一套编码里，这样就不会再有乱码问题了。Unicode也在不断发展，但最常用的是用两个字节表示一个字符 （如果非常偏僻的字的话，就需要4个字节）。现代操作系统和大数据的编程语言都支持Unicode编码。

#捋一捋ASCII与Unicode的区别
字母A用ASCII编码是十进制的65，二进制的01000001；
字符0用ASCII编码是十进制的48，二进制的00110000；
汉字"中"已经超出了ASCII编码的范围，用Unicode编码是十进制的20013，二进制的01001110 00101101。
你可以猜测，如果把ASCII编码的A用Unicode编码，只需要在前面补0就可以，因此，A的Unicode编码是00000000 01000001。

新问题的出现：如果统一成Unicode编码，乱码问题就不会出现，但是如果写文本都用英文，Unicode要比ASCII编码需要多一倍存储空间，存储和传输上十分不划算。
所以本着『节约的精神』，又出现了把Unicode编码转换成『可变长编码』的UTF-8编码。
UTF-8编码把一个Unicode字符根据不同的数字大小编码成1-6个字节，常用的英文字母被编码成1个字节，汉字通常是3个字节，生僻字才会是4-6字节。

示例

 

从上图可以看出，ASCII编码可以看成UTF-8编码的一部分，所以，大量支持ASCII编码的历史遗留软件可以在UTF-8编码下继续工作。

且在计算机内存中，统一使用Unicode编码，当需要保存到硬盘或者需要传输时，就转的成UTF-8编码。用记事本编辑的时候，从文件读取的UTF-8字符被转换为Unicode字符到内存里，编辑完成后，保存的时候再把Unicode转换为UTF-8保存到文件：

 

2.png

 

总结：
英文编码ASCII，占用1字节存储空间；
先前为了支持中文，出现GB2312编码，占用2字节；
为了统一各种像GB2312这样的「区域编码」，防止编码冲突，出现Unicode编码，正常占用2个字节，后僻字需要4字节；
为了解决Unicode占用空间大的问题，出现UTF-8这种可变长的编码；常用英文1字节，汉字正常3字节；