計算機編碼全解析（上）

前言

你是不是工作了很多年了，一直沒搞清楚計算機中的各種編碼規(guī)則，雖然平時都會使用，但是內(nèi)部機制原理一直都是之其然而不知其所以然，開發(fā)中也會經(jīng)常涉及到這塊內(nèi)容，但都沒有太多重視，這可能會讓有吃一些虧（出項目bug了），本著追本溯源的精神或是為了讓自己在少出血bug，小余今天就來聊聊這塊內(nèi)容。

目錄

1.字符集與字符編碼

首先要明確兩概念， 字符集 （charset）和 字符編碼 （encoding）。

字符集

字符集顧名思義： 很多字符的集合 。這些字符組成一套字符系統(tǒng)，用來表達我們生活中各種含義，

比如0~9以及各種加減法等符號的集合，可以表示生活中的“數(shù)字集合”，不然1+1是什么計算機可不知道？ 26個大小寫英文字母加上標點符號就組成了“英文字符集“，這些字符集在英美人看來就組成了一套符號系統(tǒng)，看到”I Love you“就知道什么意思了。 再比如我們新華字典中的所有漢字加上標點符號就組成了“中文字符集”，這個字符集就組成了中文文字系統(tǒng)。看到“我愛你”也就知道什么意思了，可以對于不懂中文的老外來，因為沒有中文字符集，看到“我愛你”可就一臉懵逼了。

字符編碼

字符編碼 ：言外之意就是 對字符進行編碼 ，那為什么要對字符編碼，其實字符編碼最終目的就是為了存儲或者傳輸。我們的計算機最早是用來提供算術功能的，和算盤功能類似，但是后來發(fā)現(xiàn)計算機可以做很多事情。 其中就包括存儲機制，如何存儲呢？假設“LOVE”這個單詞，我們使用數(shù)字1代表L，數(shù)字2代表O，數(shù)字3代表V，數(shù)字4代表E，將1234存儲在某個區(qū)域，這樣就可以知道這4個數(shù)字代表了“LOVE”，當然實際LOVE有自己的字符表示，這里使用1234作為例講解。

字符編碼的四個步驟

要在計算機中建立一個“字符編碼模型”，需要四個步驟：

• 1.要有一個 字符庫 ，確定這些字符庫足夠表意。比如ASCII字符集，已經(jīng)足夠表示英文系統(tǒng)，但是不能表達中文，于是有了GB2312字符集。
• 2. 第一層編碼 ：給每個字符選個數(shù)字（Code Point），比如ASCII碼中，用65表示“A”,97表示“a”。
• 3. 第二層編碼 ：確定表示字符的二進制位數(shù)（8位，16位，32位）。ASCII碼使用7位來表示，因為當時制定者覺得7位以及夠用了，DBCS（雙字節(jié)字符集）使用了16位。
• 4.第三層編碼： 確定字符的二進制存儲方式（大端還是小端）。比如X86機器使用小端。

一個字符一般只有一種編碼格式，當字符集中的字符不夠用時，會增加一些新的字符，使用新的字符編碼格式，形成新的字符集。所以 有時候字符集和字符編碼的概念是很模糊的，并不嚴格區(qū)分 。比如ASCII碼既可以成為一段“字符集”，也可以稱為一種“編碼格式”。

也有一些字符集有多種編碼格式：如Unicode，其中UTF-8和UTF-16等都是其編碼格式，這個后面是詳細講解。

2.常用計算機編碼

1.ASCII碼

ASCII碼全稱“American Standard Code for Information Interchange”， 美國標準信息交互碼 ，由美國標準委員會（American Standards Association，簡稱ASA）制定，后來該協(xié)會改組為“美國國家標準學會”(American National Standard Institute , 簡稱ANSI )，所以很多資料上說ASCII碼是由ANSI指定的。

ASCII碼是從電報碼發(fā)展過來的，最早使用在7-bits電傳打印機上。1960年，ASA將ASCII標準化，于1963年發(fā)布第一版，1967年再發(fā)布一次大的版本，這個標準版本，也是一個7-bit碼，包含33個非打印字符（現(xiàn)在許多已經(jīng)廢棄了），95個打印字符（包含空格符），編碼范圍為0~127。

然而ASCII碼只是美國的標準，對于其他國家，如中文，日文，韓文等大多使用的是象形文字，127個字符遠遠無法表達中國的漢字文化，于是各國在ASCII的基礎上制定了自己的字符集，但是 本質(zhì)上都兼容ASCII ，如中國大陸的GK2312，臺灣省的（Big5）小日子的JIS等編碼規(guī)范。

2.EASCII

其實標準的ASCII就是7-bit的編碼（8字節(jié)，但是最高位沒有編碼），后來使用過程中發(fā)現(xiàn)127個字符有點不夠用，于是將ASCII進行了擴展，叫做EASCII或者high-ASCII，8位的，能表示256個字符。

由于不同的應用場景，有不同的編碼，有IBM的Extend ASCII和ANSI的Extend ASCII。 去wikipedia上會發(fā)現(xiàn)有好多種ASCII的標準，大類就是IBM和ANSI（Windows的，微軟很強勢，ANSI的東西感覺就是給他們家用的）兩種，其實都是為了給自家系統(tǒng)用的，隨著IBM操作系統(tǒng)的墜落，IBM的擴展ASCII也根本上淡出視野。

擴展的ASCII的產(chǎn)生

搭載Windows系統(tǒng)的計算機進入歐洲之后，發(fā)現(xiàn)標準的ASCII并不能滿足歐洲這些拉丁語族國家的語言表意，決定對其進行擴展。同為印歐語系，發(fā)現(xiàn)擴展起來也沒那么難，總共256個值就包括所有了。只需要將原來的7-bit擴展為8-bit，將原來的標準ASCII保留，第一位使用0來表示。將擴展的字符第一位使用1來表示

擴展ASCII的組成

具體來講，擴展后的ASCII碼表可以看成 由三部分組成 ：

• 第一部分 :由00H到1FH共32個,一般用來通訊或作為控制之用。有些可以顯示在屏幕上,有些則不能顯示,但能看到其效果(如換行、退格)
• 第二部分 ：是由20H到7FH共96個,這95個字符是用來表示阿拉伯數(shù)字、英文字母大小寫和下劃線、括號等符號,都可以顯示在屏幕上.
• 第三部分 ：由80H到0FFH共128個字符,一般稱為"擴充字符",這128個擴充字符是由IBM制定的,并非標準的ASCII碼.這些字符是用來表示框線、音標和其它歐洲非英語系的字母。

3.ISO-8859

由于每個國家以及公司對編碼的各自定制化，導致 同一個字符在不同電腦之間由于編碼的不一致，顯示的結(jié)果也不一樣，現(xiàn)象就是亂碼 。 那為了解決這個問題，ISO組織統(tǒng)一了一套標準的字符集。

與ASCII、EASCII字符編碼方案只包括單個獨立的字符集不同，ISO/IEC 8859字符編碼方案包括了一組字符集， 或者說ISO/IEC 8859相當于是一組字符集的總稱，其內(nèi)共包含了15個字符集， 即ISO/IEC 8859-n，n=1、2、3…15、16，其中12未定義，所以實際上共15個。

這15個字符集，大致上包括了歐洲各國所使用到的字符(甚至還包括一些外來語字符)，而且每一個字符集的補充擴展部分(即除了兼容ASCII字符之外的部分)，都只實際使用了0xA00xFF(十進制為160255)這96個編碼，而0x800x9F(十進制為128159)這32個編碼并未實際定義字符。

其中，目前使用得最為普遍的是ISO/IEC 8859-1字符集，收錄了西歐常用字符(包括德法兩國的字母)。

ISO/IEC 8859-1往往簡稱為ISO 8859-1，而且還有一個稱之為Latin-1(也寫作Latin1)的別名，即：ISO/IEC 8859-1 = ISO 8859-1 = Latin-1 = Latin1。

從ISO 8859-1到ISO 8859-16各自所收錄的字符分別如下：

ISO/IEC 8859-1 (Latin-1) - 西歐語言
ISO/IEC 8859-2 (Latin-2) - 中歐語言
ISO/IEC 8859-3 (Latin-3) - 南歐語言。世界語也可用此字符集顯示。
ISO/IEC 8859-4 (Latin-4) - 北歐語言
ISO/IEC 8859-5 (Cyrillic) - 斯拉夫語言
ISO/IEC 8859-6 (Arabic) - 阿拉伯語
ISO/IEC 8859-7 (Greek) - 希臘語
ISO/IEC 8859-8 (Hebrew) - 希伯來語（視覺順序）
ISO 8859-8-I - 希伯來語（邏輯順序）
ISO/IEC 8859-9（Latin-5 或 Turkish）- 它把Latin-1的冰島語字母換走，加入土耳其語字母。
ISO/IEC 8859-10（Latin-6 或 Nordic）- 北日耳曼語支，用來代替Latin-4。
ISO/IEC 8859-11 (Thai) - 泰語，從泰國的 TIS620 標準字集演化而來。
ISO/IEC 8859-13（Latin-7 或 Baltic Rim）- 波羅的語族
ISO/IEC 8859-14（Latin-8 或 Celtic）- 凱爾特語族
ISO/IEC 8859-15 (Latin-9) - 西歐語言，加入Latin-1欠缺的芬蘭語字母和大寫法語重音字母，以及歐元（€）符號。
ISO/IEC 8859-16 (Latin-10) - 東南歐語言。主要供羅馬尼亞語使用，并加入歐元符號。