字节,字符、进制、ASCII,Unicode 和 UTF-8说明

半兽人 发表于: 2018-08-29   最后更新时间: 2018-09-13 20:29:55  
{{totalSubscript}} 订阅, 4,302 游览

进制是计数方式,如同我们熟悉的十进制一样,只不过十进制是逢十进一,而十六进制是逢十六进一。十进制计数要0~9十个符号来表示,十六进制计数需要0~15十六个符号来表示,所以十六进制的10~15这六个符号是借用英文字母ABCDEF(或abcdef)来表示的。

计算机采用的是二进制。

什么是二进制

回到古代。你在一个烽火台上,我在另一个烽火台上,只要你那边来敌人,你就点狼烟通知我。现在,我想清楚的知道你那儿来了几个敌人,我好做准备工作。怎么办呢?很简单,两个办法。

  1. 你点一次火,再灭掉一次,算是一个敌人,来两个就点2回,灭两回。
  2. 或者你同时点两堆火。我就知道,是来了两个敌人。

你说要是敌人来了200个怎么办?你那边要么熏死,要么火堆多到足够自焚了……

朝代在发展,人类在进步。一晃爱迪生来过地球了,他发明灯泡了。

你可以用灯泡“亮”和“灭”来跟我表示这个信息。

如果一个灯泡没亮,说明没有敌人。灯泡没亮,也可以说是状态0。

如果来了一个敌人,灯泡亮了,我就知道来了1个,这就是状态1。

问题又来了,还是来了200个敌人…… 要么你开关200次灯泡,要么准备200个灯泡一起亮。

  • 第一个方法灯泡质量也不一定好,再说,你闪那么快,我也数不过来。
  • 第二个方法,我数也得数小半天,没数完,早被敌人冲过来砍死了。

好在咱们都是聪明人,咱们约定,8个灯炮,作为暗号。为了不用画图,0代表关灯,1代表开灯,用这些排列组合来标识人数。

  • 00000000,8个灯全关,放心睡觉,这是状态0,说明一个敌人没有,平安无事。(状态0)
  • 00000001,这说明来了一个敌人,你负责干掉他就行了。(状态1)
  • 00000010,这是第二个能表示的状态,咱们给它个编号,叫状态2,说明来了两个敌人,也没啥大事。

接下来,应该是第三种情况了。00000011,这就是第三种情况。咱们不说换算什么的,这种亮灯的方法咱们就叫3(状态3)。

为了让咱俩都明白,咱们写个清单。由清单能看出来,如果来了255个敌人,你直接打开8个灯泡,我也就一目了然。

10进制编号    灯泡表示

状态    1    00000001
状态    2    00000010
状态    3    00000011
状态    4    00000100
状态    5    00000101
状态    6    00000110
状态    7    00000111
……(以此类推)
状态    250    11111010
状态    251    11111011
状态    252    11111100
状态    253    11111101
状态    254    11111110
状态    255    11111111

因为电脑也一样,只有开和关(通电、断电)来表示两种状态(因为早期电子元件只能表达这两种状态),就采用“二进制”了,以至于N年以后电子元件能表示出第三种状态“三进制”的时候,二进制已经成为全世界的通用语言,地位无法撼动了。至于2进制怎么计算,也很简单,比如第一种状态(1)+ 第二种状态(2)= 第三种状态(3),你看:

00000001 + 00000010 = 00000011,按表格一找,是3,就是这么简单。

所以,脑子里别想着10进制和2进制怎么换算,这些脏活儿累活儿,可以电脑去干。你只要记住表格里的“二进制第几种状态就是10进制中的几”就可以了。

还有,磁盘里的2进制,用磁铁的N极和S极表示1和0,N=0S=1,把硬盘放大了1000万倍看看,上面都是小磁铁,通过硬盘的磁头识别,再变成电流信号“通”和“断”来交给CPU处理。

那光盘上也一样,光盘上是用“长”和“短”的小镜子来表示1和0。把光盘放大了1000万倍看看,上面都是长点和短点,用激光头一照,根据反光的长度来表示数据。

那数据多了怎么办?8个编成一组,叫1byte,也就是传说中的1个字节,是由8个0或1组成的,每个0或1叫1bit。通常,一个英文字母需要8个灯泡表示,一个汉字需要16个灯泡表示。

顺便说一下,一下能让我看清8个灯泡亮没亮的方法,叫“并行”(8位),用1个灯泡来回开关,妄图晃瞎我的传递数据的方法叫“串行”,也就是一串信号的意思。所以,频率相同的情况下,“并行”肯定比“串行”快。

想一次能处理的信息越多,就需要越多的“位”数,比如你家CPU是64位的,就相当于一次能传递64个灯泡组成的信息。

字符

字符是指计算机中使用的字母、数字、字和符号,包括:1、2、3、A、B、C、~!·#¥%……—*()——+等等。

字符编码

一、ASCII 码

我们知道,计算机内部,所有信息最终都是一个二进制值。每一个二进制位(bit)有0和1两种状态,因此八个二进制位就可以组合出256种状态,这被称为一个字节(byte)。也就是说,一个字节一共可以用来表示256种不同的状态,每一个状态对应一个符号,就是256个符号,从00000000到11111111。

上个世纪60年代,美国制定了一套字符编码,对英语字符与二进制位之间的关系,做了统一规定。这被称为 ASCII 码,一直沿用至今。

ASCII 码一共规定了128个字符的编码,比如空格SPACE是32(二进制00100000),大写的字母A是65(二进制01000001)。这128个符号(包括32个不能打印出来的控制符号),只占用了一个字节的后面7位,最前面的一位统一规定为0。

二、非 ASCII 编码

英语用128个符号编码就够了,但是用来表示其他语言,128个符号是不够的。比如,在法语中,字母上方有注音符号,它就无法用 ASCII 码表示。于是,一些欧洲国家就决定,利用字节中闲置的最高位编入新的符号。比如,法语中的é的编码为130(二进制10000010)。这样一来,这些欧洲国家使用的编码体系,可以表示最多256个符号。

但是,这里又出现了新的问题。不同的国家有不同的字母,因此,哪怕它们都使用256个符号的编码方式,代表的字母却不一样。比如,130在法语编码中代表了é,在希伯来语编码中却代表了字母Gimel (ג),在俄语编码中又会代表另一个符号。但是不管怎样,所有这些编码方式中,0--127表示的符号是一样的,不一样的只是128--255的这一段。

至于亚洲国家的文字,使用的符号就更多了,汉字就多达10万左右。一个字节只能表示256种符号,肯定是不够的,就必须使用多个字节表达一个符号。比如,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 256 x 256 = 65536 个符号。

中文编码的问题需要专文讨论,这篇笔记不涉及。这里只指出,虽然都是用多个字节表示一个符号,但是GB类的汉字编码与后文的 Unicode 和 UTF-8 是毫无关系的。

三. Unicode

正如上一节所说,世界上存在着多种编码方式,同一个二进制数字可以被解释成不同的符号。因此,要想打开一个文本文件,就必须知道它的编码方式,否则用错误的编码方式解读,就会出现乱码。为什么电子邮件常常出现乱码?就是因为发信人和收信人使用的编码方式不一样。

可以想象,如果有一种编码,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,那么乱码问题就会消失。这就是 Unicode,就像它的名字都表示的,这是一种所有符号的编码。

Unicode 当然是一个很大的集合,现在的规模可以容纳100多万个符号。每个符号的编码都不一样,比如,U+0639表示阿拉伯字母AinU+0041表示英语的大写字母AU+4E25表示汉字。具体的符号对应表。

四、Unicode 的问题

需要注意的是,Unicode 只是一个符号集,它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,汉字的 Unicode 是十六进制数4E25,转换成二进制数足足有15位(100111000100101),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。

这里就有两个严重的问题:

  • 第一个问题是,如何才能区别 UnicodeASCII ?计算机怎么知道三个字节表示一个符号,而不是分别表示三个符号呢?

  • 第二个问题是,我们已经知道,英文字母只用一个字节表示就够了,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,这对于存储来说是极大的浪费,文本文件的大小会因此大出二三倍,这是无法接受的。

它们造成的结果是:

  1. 出现了 Unicode 的多种存储方式,也就是说有许多种不同的二进制格式,可以用来表示 Unicode。
  2. Unicode 在很长一段时间内无法推广,直到互联网的出现。

五、UTF-8

互联网的普及,强烈要求出现一种统一的编码方式。UTF-8 就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 UTF-16(字符用两个字节或四个字节表示)和 UTF-32(字符用四个字节表示),不过在互联网上基本不用。重复一遍,这里的关系是,UTF-8 是 Unicode 的实现方式之一。

UTF-8 最大的一个特点,就是它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。

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。

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
0000 0800-0000 FFFF | 1110xxxx 10xxxxxx 10xxxxxx
0001 0000-0010 FFFF | 11110xxx 10xxxxxx 10xxxxxx 10xxxxxx

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,还是以字严为例,演示如何实现 UTF-8 编码。

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。

六、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。

Windows平台,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:ANSIUnicodeUnicode big endianUTF-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编码这里指的是notepad.exe使用的 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。

七、Little endian 和 Big endian

上一节已经提到,UCS-2 格式可以存储 Unicode 码(码点不超过0xFFFF)。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,这就是 Big endian 方式;25在前,4E在后,这是 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。

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FFFE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。

八、实例

打开"记事本"程序notepad.exe,新建一个文本文件,内容就是一个字,依次采用 ANSIUnicodeUnicode big endianUTF-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。
更新于 2018-09-13

查看shares更多相关的文章或提一个关于shares的问题,也可以与我们一起分享文章