作为一个程序员，你应该知道的编码知识

 [[320115]]

在谍战剧里，我们经常看到这样一个桥段，特工人员，千辛万苦拿到一条信息，打开一看是一串数字，然后赶紧跑到一个秘密地方，拿出一个密码本（也可能是一本唐诗选），按照一定规则（只有自己人知道），比如第一个数字表示页数，第二个数字表示行数，第三个数字表示第几个字，逐一将信息翻译出来。如果这个过程中用了错误的密码本，或者不知道规则，那么将会解码失败。

计算机的编解码过程跟上面的过程是一样一样的。

计算机只认 0 和 1 ，所有的影像和字符最终都会转换成计算机能够认识的二进制。一个二进制位（bit）可以表示两种状态 0 和 1 ，一个字节(byte)由八个二进制位组成，所以一个字节一共可以表示256（ 2^8 ）种状态。如果我们规定每种状态代表一个字符，那么一个字节就可以表达出 256 个字符。

ASCII

计算机是由美国人发明的，所以在最初设计编码的时候，就只考虑了英文的编码。英文字符很少，加上一些特殊字符，一共也就100个左右，确切的说是128个。这样的话用一个字节进行编码就完全够了，不仅够用了，而且还富裕出一位，即第一位一直没有参与编码，统一定为 0 。这就是所谓的 ASCII 编码。在 ASCII 编码中，空格 SPACE 是 32 （二进制 00100000 ），大写的字母 A 是 65 （二进制 01000001 ）。

非ASCII

随着计算机的普及，欧洲也开始普及计算机，欧洲人发现 ASCII 规定的 128 个字符不能满足他们的使用，比如，在法语中，字母上方有注音符号，就无法用 ASCII 码表示。于是，一些欧洲国家就决定，把字节中闲置的第一位编入新的符号。比如，法语中的 é 的编码为 130 （二进制 10000010 ）。这样一来，这些欧洲国家使用的编码体系，最多可以表示 256 个符号。这就是大家经常见到的 ISO-8859-1 编码，也叫 Latin1 编码。

中文编码

随着计算机的普及，国人也开始使用计算机，但是发现按照之前的编码方式，根本就没有汉字什么事儿，也就是计算机根本没办法认识汉字。

GB2312

为了能够让计算机认识汉字，我们决定对汉字进行编码，本着敢想敢干的精神，我们规定用两个字节表示一个汉字。

具体规则是这样的：一个小于 127 的字节代表的意义与原来的 ASCII 相同，但两个大于 127的字节连在一起时，就表示这是一个汉字，前面的一个字节称为高字节，后面一个字节称为低字节，这样我们就可以组合出 6763 个简体汉字。这就是大家常说的 GB2312 编码。

GBK

很显然 GB2312 编码的 6763 个汉字，并不能适应所有的使用场景，比如“喆”字就不再其中，于是在 GB2312 的基础上又进行了新的扩展，规定只要第一个字节是大于 127 的就OK，至于第二个字节是大于 127 还是小于 127 都无所谓了。经过这样的改动之后，收录的汉字及符号就可以达到 2W 多个，这就是我们常说的 GBK 编码。

再后来，人们继续对第二个字节进行扩展，发展出了 GB18030 编码，比 GBK 又多出了一些字符编码。

至此，所有的汉字编码都是用两个字节表示的，但是英文是用一个字节表示。上了一些年纪的程序员都体验过，一个汉字算两个英文字符的经历。

BIG-5

上面提到的都是简体中文编码，虽然 GBK 及 GB18030 包含了部分繁体字，但是也不全面，于是台湾同胞就发了专门支持繁体字的 Big5 编码，也就是大家经常说的大五码。

一个小问题

不知道大家有没有注意到一个问题，在单字节编码的时候，对于那些大于 127 小于 256 的编码，在不同的国家代表的字母很可能不一样。比如， 130 在法语编码中代表了 é ，在希伯来语编码中却代表了字母 Gimel (ג) ，在俄语编码中又会代表另一个符号。在汉字的双字节编码中也存在这样的问题，比如 BIG5 编码跟 GBK 编码都是双字节编码，但是代表的汉字却不一样。

这就相当于，同样一串二进制数值，A特工组织按照他们的规则解析出来可能是“你好”，而B特工组织按照他们的规则解析出来可能是“滚蛋”。特工组织之间的翻译标准不一样是相当有必要的，但是计算机的编码规则如果各不相同就比较麻烦了。比如你跟台湾的志玲姐姐聊天，志玲姐姐用 BIG5 编码给你发了一封信，然后你用 GBK 去解码，……，也许就没有然后了。

Unicode

为了解决上面的问题，有个叫 ISO 的国际标准组织，决定放弃所有区域性编码，如 BIG5 ， GBK 等，重新制定一个新的编码，这个编码集将包含所有字符的编码，这样大家就都统一了，这套编码的英文全称“Universal Multiple-Octet Coded Character Set”，简称UCS, 俗称 “Unicode“。 Unicode 的出现相当于秦始皇对度量衡跟货币进行了统一。

Unicdoe 按照日常字符的使用频繁度划分了 17 个平面，编号为 0-16 ， 0 号平面称为基本多语言平面（Basic Multilingual Plane，简称 BMP ），包含了日常使用最频繁的字符，编码范围从 0000 到 FFFF ，这样该平面可以表示 2^16=65536 个字符；其它平面的编码范围也是从 0000 到 FFFF ，所以其它平面也可以编码 65535 个字符，这样 17 个平面一共可以编码 17×65,536 = 1,114,112 个符号。

我们最常用的 Unicode 编码使用的是多语言平面的编码，即所有字符都用两个字节进行编码（其它平面可能需要三个或四个字节）。举个例子比如中国的'中'字 Unicode 码是 4E2D ，小写'a'的 Unicode 码是 0061 .

这里面存在两个问题，如果所有英文字符都是按照 Unicode 编码，那么会出现浪费存储空间的问题。明明一个字节可以搞定的事情，偏偏要用两个字节。

第二个问题就是计算机如何知道这是 Unicode 编码还是 ASCII 编码，也就是 2 个字节表示的一个字符，还是 2 个字符呢。

UTF

UTF 的全称是 Unicode Transformation Format ，也就是 Unicode 的转换格式。上面提到了，如果直接使用 Unicode 码进行存储会存在浪费空间的问题，而 UTF-8 的出现就是为了解决该问题， UTF-8 使用变长的方式存储 Unicode 码，也就是英文字符继续使用一个字节进行存储，但是汉字要使用 3 个字节。那么 UTF-8 是如何做到的呢。

首先，对于单字节的符号，字节的第一位设为 0 ，后面 7 位为这个符号的 Unicode 码。因此对于英语字母， UTF-8 编码和 ASCII 码是相同的。

其次，对于 n 字节的符号（ n > 1 ），第一个字节的前 n 位都设为 1 ，第 n + 1 位设为 0 ，后面字节的前两位一律设为 10 。剩下的没有提及的二进制位，全部为这个符号的 Unicode码。

下表总结了编码规则，字母 x 代表可用的编码位。

根据上表，对 UTF-8 编码进行解读会发现，如果一个字节的第一位是 0 ，则这个字节单独就是一个字符；如果第一位是 1 ，则连续有多少个 1 ，就表示当前字符占用多少个字节。

举个例子

假设“hello世界”这样一个字符串，他们的 Unicode 的编码分别是

1h--0068 
2e--0065 
3l--006C 
4l--006C 
5o--006F 
6世--4E16 
7界--754C 

按照 UTF-8 的编码规则可以得到如下 UTF-8 编码

1h--01101000 
2e--01100101 
3l--01101100 
4l--01101100 
5o--01101111 
6世--11100100-10111000-10010110 
7界--11100111-10010101-10001100 

可以看到用 UTF-8 编码之后，英文字符占用一个字节，而汉字占用了三个字节，一共需要 11个字节，而如果直接存储 Unicode 码则需要 14 个字节。 UTF-8 编码对于英文来说节省了很大空间，但是对于中文来说增加了空间。

Little endian 和 Big endian

上面提到 Unicode 是用两个字节表示字符，如果第一个字节在前，就是"大端方式"（Big endian），第二个字节在前就是"小端方式"（Little endian）。'世'字的 Unicode 码是 4E16 ，一个字节是 4E ，一个字节是 16 , 存储的时候如果 4E 在前就是大端存储，如果是 16 在前就是小端存储。

那么计算机是怎么知道一个文件是采用哪种编码方式呢？

Unicode 规范定义，每一个文件的最前面分别加入一个表示编码顺序的字符，这个字符的名字叫做"零宽度非换行空格"（zero width no-break space），用 FEFF 表示。这正好是两个字节，而且 FF 比 FE 大 1 。

如果一个文本文件的头两个字节是 FE FF ，就表示该文件采用大头方式；如果头两个字节是 FF FE ，就表示该文件采用小头方式。

总结

UTF-8 编码是基于 Unicode 字符集的一种编码实现。现在几乎所有的编程语言和操作系统都支持 Unicode 编码，使用 Unicode 编码之后，再也不会出现上文提到的一个汉字等于两个英文字符的尴尬局面。

GBK ， BIG5 等都属于区域性编码只能在固定范围内使用，比如 GBK 只适合在简体中文环境使用，虽然 GBK 相比于 UTF-8 更节省空间，但现在全世界都变成地球村了，所以还是建议大家都使用 UTF-8 编码。

ANSI ：在 window 下，如果我们用记事本打开文档，经常会见到 ANSI 编码方式，这是 Windows 默认的编码方式。对于英文文档采用 ASCII 编码，对于简体中文文档采用 GB2312 编码（只针对 Windows 简体中文版，如果是繁体中文版会采用 Big5 码）。