字符编码简介

计算机里，只能用二进制码记录文字、图片、图像、声音等媒体，要想将各式各样的媒体映射为简单的二进制编码（媒体 –> 01），就要将很多01根据多种变化的排列组合来表示这些媒体，这些排列组合的方法就成为了编码，文字、图片、声音都存在各式各样的编码。

ASCII

最早的编码——ASCII编码，ASCII编码只能表示键盘上（A-Z、a-z、0-9、+-*/&^%）等不超过127个字符。

1个字节有8位，可以表示256个字符，要表示ASCII码只需要7位就够了，所有最高位始终是0。

0000 0000 
1111 1111 -->   # 共256种值
0111 1111 -->   # ASCII码用到的7位

常用汉字3000多，1个字节不能表示，只能用2个字节表示，可以表示65535个字符，表示汉字够用了。

0000 0000 0000 0000 
1111 1111 1111 1111  -->  共65535种值

GB2312

最早的中文字符集GB2312，GB2312不占用ASCII的0-127，如果两个字节大于127就组合来用，否则就当一个ASCII字符处理，但是这样的组合就少了很多，例如： ··· 1xxx xxxx 1xxx xxxx –> [129 - 255] [129 - 255]
例如： 130 140 97 95 144 233 （分组前） ↓ ↓ ↓ ↓ [130 140] [97] [95] [144 233] (分组后) ↓ ↓ ↓ [汉字] [字母] [字母] [汉字] ···

GB2312只收录了6763个汉字,基本满足了常用汉字的需求，但有些汉字没有收录。

GBK

GBK编码完全兼容GB2312，GBK还是双字节，理论上第2字节不再局限于129-255，如果第1字节大于128,则带下一个字节组成一个汉字，如果第1个小于128，就直接转ASCII。例如：

1xxx xxxx xxxx xxxx  -->   [129 - 255][0 - 255] 
例如： 
133  22    63      199  22     (分组前) 
    ↓       ↓         ↓ 
[133 22]  [63]    [199 22]     (分组后) 
    ↓       ↓         ↓  
 [汉字]   [字母]    [汉字]

实际上，GBK的编码方式，有单字节和双字节编码组成，00-7F范围内只占一位，和ASCII保持一致，此范围内阉割上说有96个字符和32个控制符号。之后的双字节中，前一字节是双字节的第一位。总体上说第一字节的范围是81-FE（也就是不含80和FF），第二字节的一部分领域在40-7E，其他领域在80-FE。收录汉字21003个、符号883个、并提供1894个造字码位。

Unicode和UTF-8

Unicode是一个世界通用的码表，它占4个字节,包含232，共40多亿字符，但常用的集中在前65535个标号里，2个字节就够用了。Unicode只负责分配编号,而且都用4个字节来分配编号,而真正的实现方式成为Unicode转换格式（Unicode Transformation Format，简称为UTF）

例如，如果一个仅包含基本7位ASCII字符的Unicode文件，如果每个字符都使用2字节的原Unicode编码传输，其第一字节的8位始终为0，这造成了较大的浪费。对于这种情况，可以使用UTF-8编码，这是一种变长编码。它根据一定的算法减小浪费，具体实现如下：

Unicode根据一定算法转为UTF-8 
例如： 
0000 0000 0000 0000 0000 0000 0000 0041 –> A    （Unicode） 
↓ 
0000 0041 –> A                                  （UTF-8）

Unicode与UTF-8的关系就像原文件与压缩文件的关系，具体如下：

UTF-8编码是根据第一字节的高位来决定一个字符占几个字节的，基本规律是：

下一篇 将介绍乱码形成的原因，及预防的方法。