字符集与编码方式浅谈



    美国人首先对其英文字符进行了编码，也就是最早的ascii码，用一个字节的低7位来表示英文的128个字符，高1位统一为0。后来欧洲人发现尼玛你这128位哪够用，比如我高贵的法国人字母上面的还有注音符。这个怎么区分？得，把高1位编进来吧，这样欧洲普遍使用一个全字节进行编码，最多可表示256位。

    欧美人就是喜欢直来直去，字符少，编码用得位数少。但是即使位数少，不同国家地区用不同的字符编码。虽然0--127表示的符号是一样的，但是128--255这一段的解释完全乱套了，即使二进制完全一样，表示的字符却完全不同。比如135在法语，希伯来语，俄语编码中完全是不同的符号。更麻烦的是，尼玛这电脑高科技传到中国后，中国人发现我们有10万多个汉字，你们欧美这256字塞牙缝都不够。于是就发明了GB2312这些汉字编码，典型的用2个字节来表示绝大部分的常用汉字，最多可以表示65536个汉字字符。这样就不难理解有些汉字你在新华字典里查得到，但是电脑上如果不处理一下你是显示不出来的了吧。
    这下各用各的字符集编码，这世界咋统一？俄国人发封email给中国人，两边字符集编码不同，尼玛显示都是乱码啊。为了统一，于是就发明了unicode，将世界上所有的符号都纳入其中。每一个符号都给予一个独一无二的编码，现在unicode可以容纳100多万个符号，每个符号的编码都不一样。这下可统一了，所有语言都可以互通，一个网页页面里可以同时显示各国文字。然而，unicode虽然统一了全世界字符的二进制编码，但没有规定如何存储啊。亲，x86和amd体系结构的电脑小端序和大端序都分不清，别提计算机如何识别到底是unicode还是acsii了。如果unicode统一规定，每个符号用三个或四个字节表示，那么每个英文字母前都必然有二到三个字节是0，文本文件的大小会因此大出二三倍，这对于存储来说是极大的浪费。这样导致一个后果：出现了unicode的多种存储方式。
    互联网的兴起，网页上要显示各种字符，必须统一啊。亲，utf-8就是unicode最重要的实现方式之一。另外还有utf-16、utf-32等。utf-8不是固定字长编码的，而是一种变长的编码方式。它可以使用1~4个字节表示一个符号，根据不同的符号而变化字节长度。这是种比较巧妙的设计，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。
    注意unicode的字符编码和utf-8的存储编码表示是不同的，例如"严"字的unicode码是4E25，UTF-8编码是E4B8A5。这个在前边解释了的，utf-8编码不仅考虑了编码，还考虑了存储，E4B8A5是在存储识别编码的基础上塞进了4E25。
    UTF-8使用一至四个字节为每个字符编码。128个 ASCII 字符（Unicode 范围由 U+0000 至 U+007F）只需一个字节，带有变音符号的拉丁文、希腊文、西里尔字母、亚美尼亚语、希伯来文、阿拉伯文、叙利亚文及马尔代夫语（Unicode 范围由 U+0080 至 U+07FF）需要二个字节，其他基本多文种平面（BMP）中的字符（CJK属于此类-Qieqie注）使用三个字节，其他 Unicode 辅助平面的字符使用四字节编码。 
    综上来看，中文汉字在utf-8中到底占几个字节？一般是3个字节，最常见的编码方式是1110xxxx 10xxxxxx 10xxxxxx。

来源： <http://wenwen.sogou.com/z/q550898818.htm>