您的位置:365bet在线投注官网 > 社会科学 > 漫画:什么是字符集和编码?ASCII、UTF-8、UTF-16

漫画:什么是字符集和编码?ASCII、UTF-8、UTF-16

发布时间:2019-02-19 21:25编辑:社会科学浏览(200)

      在计算机底层,比如说你的名字“小萌”在计算机中并不是文字的形式,而是一串二进制数字,如“0”

      人类只认识文字,可惜计算机只认 0 和 1,双方都不能妥协,那就必须要有一个从文字到 0、1 的映射了。

      从我们可以看到的文字到 0、1 的映射称为编码,反过来从 0、1 到文字叫解码。这个就是编码的含义。

      因为计算机只能处理数字,如果要处理文本,就必须先把文本转换为数字才能处理。最早的计算机在设计时采用 8 个比特(bit)作为一个字节(byte),所以,一个字节能表示的最大的整数就是 255(二进制11111111=十进制 255),0 - 255 被用来表示大小写英文字母、数字和一些符号,这个编码表被称为 ASCII 编码,比如大写字母 A 的编码是 65,小写字母 z 的编码是 122。

      Unicode 编码定义了这个世界上几乎所有字符(就是你眼睛看的字符,比如ABC、汉字等)的数字表示,而且 Unicode 还兼容了很多老版本的编码规范,例如刚刚讲过的 ASCII 码。

      我们国家的每一个人都对应唯一的一个身份证号,而 Unicode 也为每个字符发了一张身份证,这张“身份证”上有一串唯一的数字 ID 确定了这个字符。

      这串数字在整个计算机的世界具有唯一性,Unicode 给这串数字 ID 起了个名字叫[码点]。

      这个“Unicode 转换格式”是为了解决“码点”在计算机存储方式而设计的。

      “码点”经过映射后得到的二进制串的转换格式单位称之为“码元”(Code Unit)。“码点”就是一串二进制数,“码元”就是切分这个二进制数的方法。

      举个例子,如果有一个字符的码点二进制表示有 n 字节(n*8 个二进制数),其码元为 8 位(1 个字节),那么其拥有码元 n 个。

      Unicode 编码发展到今天扩展到了 21 位,为啥扩展到 21 位了呢?因为一开始老美只考虑自己那 26 个英文字母和数字,随着越来越多的国家的语言语言编码,Unicode 不得继续扩展,目前 21 位已经足够使用。

      UTF-32 是最好理解的一个了。UTF-32 也就是说它的码元是 32 位,每 32 位去读一下码点,而码点是 Unicode 给字符的编码,前面也说了,最长才 21 位,因此每一个 UTF-32 值都可以直接表示对应的码点。

      对了这里要说一下,这么多码点并不代表有这么多字符,目前大概只有 10% 的空间被使用了,人类社会还没创造出 1,114,112 这么多的字符。

      编码空间被分成 17 个平面(plane),每个平面有 65,536 个字符(正好填充 2 个字节,16 位)。0 号平面叫做“基本多文种平面”(BMP, Basic Multilingual Plane),涵盖了几乎所有你能遇到的字符,除了 emoji(emoji 位于 1 号平面 - -)。其它平面叫做补充平面,大多是空的。

      UTF-16 要常见得多,它的码元是 16 位的,也就是说每 16 位去读一下码点,获取码点的前 16 位数字,直到读取完成。

      编码空间这里要用上了哈,BMP 平面(也就是前面说的基本多文种平面)中的每一个码点都直接与一个 UTF-16 的码元一一映射。

      由于 BMP 几乎包括了所有常见字符,UTF-16 一般需要 UTF-32 大约一半的空间。至于其它平面里很少使用的码点都是用两个 16 位的码元来编码的。

      UTF-8 使用一到四个字节来编码一个码点。从 0 到 127 的这些码点直接映射成 1 个字节(对于只包含这个范围字符的文本来说,这一点使得 UTF-8 和 ASCII 完全相同)。接下来的 1,920 个码点映射成 2 个字节,在 BMP 里所有剩下的码点需要 3 个字节。Unicode 的其他平面里的码点则需要 4 个字节。UTF-8 是基于 8 位的码元的,因此它并不需要关心字节顺序(因为字节就是 8 位的呀,其它 UTF-16 和 UTF-32 在不同的机器编译环境下需要考虑字节的顺序问题)。

      作者:乔戈里,哈工大计算机本硕,百度工程师,做公众号就是想和大家交个朋友。

    转载请注明来源:漫画:什么是字符集和编码?ASCII、UTF-8、UTF-16