编码

阮一峰的网络日志 <a href="http://www.ruanyifeng.com/blog/">首页</a> <a href="http://www.ruanyifeng.com/blog/archives.html">档案</a>
 
<a href="http://www.ruanyifeng.com/feed.html"></a>
<ul><li>上一篇：<a href="http://www.ruanyifeng.com/blog/2007/10/selections_of_short_chinese_classical_articles_for_high_schoolstudents.html">《新编高中文言文助读》</a></li><li>下一篇：<a href="http://www.ruanyifeng.com/blog/2007/10/25_best_editorial_cartoons_of_2006.html">2006年最佳政治漫画</a></li></ul>
分类：
 
<ul><li><a href="http://www.ruanyifeng.com/blog/computer/">理解计算机</a></li></ul>
<h1 id="page-title">字符编码笔记：ASCII，Unicode 和 UTF-8</h1>
作者： <a href="http://www.ruanyifeng.com/">阮一峰</a>
日期： <a href="http://www.ruanyifeng.com/blog/2007/10/">2007年10月28日</a>
<a href="http://www.zhufengpeixun.cn/main/index.html?ref=ruanyifeng"><img alt="珠峰培训" class="blockcode" src="https://beijingoptbbs.oss-cn-beijing.aliyuncs.com/cs/5606289-ca221f894d231ee7c46b69245f72b537.png"></a>
今天中午，我突然想搞清楚 Unicode 和 UTF-8 之间的关系，就开始查资料。
这个问题比我想象的复杂，午饭后一直看到晚上9点，才算初步搞清楚。
下面就是我的笔记，主要用来整理自己的思路。我尽量写得通俗易懂，希望能对其他朋友有用。毕竟，字符编码是计算机技术的基石，想要熟练使用计算机，就必须懂得一点字符编码的知识。
<h2>一、ASCII 码</h2>
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<code>0</code>和<code>1</code>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<code>00000000</code>到<code>11111111</code>。
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<code>SPACE</code>是32（二进制<code>00100000</code>），大写的字母<code>A</code>是65（二进制<code>01000001</code>）。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<code>0</code>。
<h2>二、非 ASCII 编码</h2>
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<code>é</code>的编码为130（二进制<code>10000010</code>）。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<code>é</code>，在希伯来语编码中却代表了字母<code>Gimel</code> (<code></code>)，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。
<h2>三. Unicode</h2>
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