從ASCII碼->Unicode-> UTF-8歷史變遷，及其差異

說(shuō)到ASCII，Unicode和UTF-8，可能大家都知道是字符編碼，但具體含義，以及其中差異，可能很多人都不知道。 一、名稱解釋ASCII：AmericanStandardCode forInformationInterchange，美國(guó)信息互換標(biāo)準(zhǔn)代碼。 Unicode：統(tǒng)一碼、萬(wàn)國(guó)碼、單一碼，是計(jì)算機(jī)科學(xué)領(lǐng)域里的一項(xiàng)業(yè)界標(biāo)準(zhǔn)，包括字符集、編碼方案等。 UTF-8：8-bit Unicode Transformation Format，是一種針對(duì)Unicode的可變長(zhǎng)度字符編碼。 二、歷史變遷先給大家看一張變遷圖：

很久以前，有一群人，他們決定用8個(gè)可以開(kāi)合的晶體管來(lái)組合成不同的狀態(tài)，以表示世界上的萬(wàn)物。他們看到8個(gè)開(kāi)關(guān)狀態(tài)是好的，于是他們把這稱為“字節(jié)”。再后來(lái)，他們又做了一些可以處理這些字節(jié)的機(jī)器，機(jī)器開(kāi)動(dòng)了，可以用字節(jié)來(lái)組合出很多狀態(tài)，狀態(tài)開(kāi)始變來(lái)變?nèi)?。他們看到這樣是好的，于是它們就這機(jī)器稱為”計(jì)算機(jī)“。 開(kāi)始計(jì)算機(jī)只在美國(guó)使用，八位的字節(jié)一共可以組合出256種不同的狀態(tài)。他們把其中的編號(hào)從0開(kāi)始的32種狀態(tài)分別規(guī)定了特殊的用途，一但終端、打印機(jī)遇上約定好的這些字節(jié)被傳過(guò)來(lái)時(shí)，就要做一些約定的動(dòng)作。遇上0×10, 終端就換行，遇上0×07, 終端就向人們嘟嘟叫。他們看到這樣很好，于是就把這些0×20以下的字節(jié)狀態(tài)稱為“控制碼”。他們又把所有的空格、標(biāo)點(diǎn)符號(hào)、數(shù)字、大小寫(xiě)字母分別用連續(xù)的字節(jié)狀態(tài)表示，一直編到了第127號(hào)，這樣計(jì)算機(jī)就可以用不同字節(jié)來(lái)存儲(chǔ)英語(yǔ)的文字了。大家看到這樣，都感覺(jué)很好，于是大家都把這個(gè)方案叫做ANSI。 后來(lái)，世界各地都開(kāi)始使用計(jì)算機(jī)了，但是很多國(guó)家用的不是英文，他們的字母里有許多是ASCII里沒(méi)有的，為了可以在計(jì)算機(jī) 保存他們的文字，他們決定采用 127號(hào)之后的空位來(lái)表示這些新的字母、符號(hào)，還加入了很多畫(huà)表格時(shí)需要用下到的橫線、豎線、交叉等形狀，一直把序號(hào)編到了最后一個(gè)狀態(tài)255。從128 到255這一頁(yè)的字符集被稱“擴(kuò)展字符集”。 等中國(guó)人們得到計(jì)算機(jī)時(shí)，已經(jīng)沒(méi)有可以利用的字節(jié)狀態(tài)來(lái)表示漢字，而且常用漢字有六七千個(gè)，這個(gè)時(shí)候，中國(guó)人民就使用了一套漢字方案叫做GB2312”。隨著發(fā)展，又發(fā)現(xiàn)了一些局限，所以就有了GBK，再繼續(xù)往后增加了一些字符（如少數(shù)名族字體），GBK擴(kuò)成了GB18030。

因?yàn)楫?dāng)時(shí)各個(gè)國(guó)家都像中國(guó)這樣搞出一套自己的編碼標(biāo)準(zhǔn)，結(jié)果互相之間誰(shuí)也不懂誰(shuí)的編碼，誰(shuí)也不支持別人的編碼，連大陸和***這樣只相隔了150海里也使用不同編碼。這個(gè)時(shí)候，出現(xiàn)了一個(gè)叫 ISO 組織（國(guó)際標(biāo)準(zhǔn)化組織）決定著手解決這個(gè)問(wèn)題。他們采用的方法很簡(jiǎn)單：廢了所有的地區(qū)性編碼方案，重新搞一個(gè)包括了地球上所有文化、所有字母和符號(hào) 的編碼！他們打算叫它“Universal Multiple-Octet Coded Character Set”，簡(jiǎn)稱 UCS, 俗稱 “Unicode”。

但是Unicode同樣也有2個(gè)問(wèn)題:

1.計(jì)算機(jī)怎么知道二個(gè)字節(jié)為一個(gè)字符，如何識(shí)別二個(gè)字節(jié)為什么一個(gè)字符？

2.針對(duì)英文字符，如果使用大于1個(gè)字節(jié)來(lái)表示，那么低位的前面幾個(gè)字節(jié)全是0。很奢侈浪費(fèi)空間，因?yàn)楝F(xiàn)在計(jì)算機(jī)大部分內(nèi)容還是英文。

unicode在很長(zhǎng)一段時(shí)間內(nèi)無(wú)法推廣，直到互聯(lián)網(wǎng)的出現(xiàn)，為解決unicode如何在網(wǎng)絡(luò)上傳輸?shù)膯?wèn)題，于是面向傳輸?shù)谋姸郩TF（UCS Transfer Format）標(biāo)準(zhǔn)出現(xiàn)了。顧名思義，UTF-8就是每次8個(gè)位傳輸數(shù)據(jù)，而UTF-16就是每次16個(gè)位。UTF-8就是在互聯(lián)網(wǎng)上使用最廣的一種unicode的實(shí)現(xiàn)方式，這是為傳輸而設(shè)計(jì)的編碼，并使編碼無(wú)國(guó)界，這樣就可以顯示全世界上所有文化的字符了。 三、Charset and Encoding

1.什么是字符編碼Charset (Character set) 字符集：是對(duì)字符抽象表示的集合。包括世界上各種文字、符合和字符。 字符集只是一個(gè)規(guī)則集合的名字，對(duì)應(yīng)到真實(shí)生活中，字符集就是對(duì)某種語(yǔ)言的稱呼。例如：英語(yǔ)，漢語(yǔ)，日語(yǔ)。 2.什么是字符編碼對(duì)于一個(gè)字符集來(lái)說(shuō)要正確編碼轉(zhuǎn)碼一個(gè)字符需要三個(gè)關(guān)鍵元素：字庫(kù)表（character repertoire）、編碼字符集（coded character set）、字符編碼（character encoding）。

字庫(kù)表是一個(gè)相當(dāng)于所有可讀或者可顯示字符的數(shù)據(jù)庫(kù)。字庫(kù)表決定了整個(gè)字符集能夠展現(xiàn)表示的所有字符的范圍。編碼字符集，即用一個(gè)編碼值code point來(lái)表示一個(gè)字符在字庫(kù)中的位置。字符編碼，將編碼字符集和實(shí)際存儲(chǔ)數(shù)值之間的轉(zhuǎn)換關(guān)系。 四、UTF-8和Unicode的關(guān)系看完上面兩個(gè)概念解釋，相信你應(yīng)該明白其中關(guān)系了。Unicode就是上文中提到的編碼字符集，而UTF-8就是字符編碼，即Unicode規(guī)則字庫(kù)的一種實(shí)現(xiàn)形式。隨著互聯(lián)網(wǎng)的發(fā)展，對(duì)同一字庫(kù)集的要求越來(lái)越迫切，Unicode標(biāo)準(zhǔn)也就自然而然的出現(xiàn)。它幾乎涵蓋了各個(gè)國(guó)家語(yǔ)言可能出現(xiàn)的符號(hào)和文字，并將為他們編號(hào)。

五、進(jìn)一步理解UTF-8編碼UTF-8編碼為變長(zhǎng)編碼。最小編碼單位（code unit）為一個(gè)字節(jié)。一個(gè)字節(jié)的前1-3個(gè)bit為描述性部分，后面為實(shí)際序號(hào)部分。

1.如果一個(gè)字節(jié)的第一位為0，那么代表當(dāng)前字符為單字節(jié)字符，占用一個(gè)字節(jié)的空間。0之后的所有部分（7個(gè)bit）代表在Unicode中的序號(hào)。

2.如果一個(gè)字節(jié)以110開(kāi)頭，那么代表當(dāng)前字符為雙字節(jié)字符，占用2個(gè)字節(jié)的空間。110之后的所有部分（5個(gè)bit）加上后一個(gè)字節(jié)的除10外的部分（6個(gè)bit）代表在Unicode中的序號(hào)。且第二個(gè)字節(jié)以10開(kāi)頭。

3.如果一個(gè)字節(jié)以1110開(kāi)頭，那么代表當(dāng)前字符為三字節(jié)字符，占用3個(gè)字節(jié)的空間。110之后的所有部分（5個(gè)bit）加上后兩個(gè)字節(jié)的除10外的部分（12個(gè)bit）代表在Unicode中的序號(hào)。且第二、第三個(gè)字節(jié)以10開(kāi)頭。

來(lái)看一個(gè)UTF-8編碼例子：

發(fā)現(xiàn)其中規(guī)律：1個(gè)字節(jié)的UTF-8十六進(jìn)制編碼是以比8小的數(shù)字開(kāi)頭的 2個(gè)字節(jié)的UTF-8十六進(jìn)制編碼是以C或D開(kāi)頭的 3個(gè)字節(jié)的UTF-8十六進(jìn)制編碼是以E開(kāi)頭的 本文就寫(xiě)到這里，希望對(duì)你有幫助。當(dāng)然，更多關(guān)于字符編碼的內(nèi)容，感興趣朋友可以自行了解。