結(jié)果，這個問題比我想象的復(fù)雜,，從午飯后一直看到晚上9點,，才算初步搞清楚。

下面就是我的筆記,，主要用來整理自己的思路,。但是，我盡量試圖寫得通俗易懂,，希望能對其他朋友有用,。畢竟，字符編碼是計算機技術(shù)的基石,，想要熟練使用計算機,，就必須懂得一點字符編碼的知識。

1. ASCII碼

我們知道,，在計算機內(nèi)部,，所有的信息最終都表示為一個二進制的字符串。每一個二進制位（bit）有0和1兩種狀態(tài),，因此八個二進制位就可以組合出 256種狀態(tài),，這被稱為一個字節(jié)（byte）。也就是說,，一個字節(jié)一共可以用來表示256種不同的狀態(tài),，每一個狀態(tài)對應(yīng)一個符號，就是256個符號,，從 0000000到11111111,。

上個世紀(jì)60年代，美國制定了一套字符編碼,，對英語字符與二進制位之間的關(guān)系,，做了統(tǒng)一規(guī)定。這被稱為ASCII碼,，一直沿用至今,。

ASCII碼一共規(guī)定了128個字符的編碼，比如空格“SPACE”是32（二進制00100000）,，大寫的字母A是65（二進制01000001）,。這128個符號（包括32個不能打印出來的控制符號），只占用了一個字節(jié)的后面7位,，最前面的1位統(tǒng)一規(guī)定為0,。

2、非ASCII編碼

英語用128個符號編碼就夠了,，但是用來表示其他語言,，128個符號是不夠的。比如，在法語中,，字母上方有注音符號,，它就無法用ASCII碼表示。 于是,，一些歐洲國家就決定,，利用字節(jié)中閑置的最高位編入新的符號。比如,，法語中的é的編碼為130（二進制10000010）,。這樣一來，這些歐洲國家使 用的編碼體系,，可以表示最多256個符號,。

但是，這里又出現(xiàn)了新的問題,。不同的國家有不同的字母,，因此，哪怕它們都使用256個符號的編碼方式,，代表的字母卻不一樣,。比如，130在法語編碼 中代表了é,，在希伯來語編碼中卻代表了字母Gimel (?),，在俄語編碼中又會代表另一個符號。但是不管怎樣,，所有這些編碼方式中,，0—127表示的符號是一樣的，不一樣的只是128—255的這一段,。

至于亞洲國家的文字，使用的符號就更多了,，漢字就多達10萬左右,。一個字節(jié)只能表示256種符號，肯定是不夠的,，就必須使用多個字節(jié)表達一個符號,。 比如，簡體中文常見的編碼方式是GB2312,，使用兩個字節(jié)表示一個漢字,，所以理論上最多可以表示256x256=65536個符號。

中文編碼的問題需要專文討論,，這篇筆記不涉及,。這里只指出，雖然都是用多個字節(jié)表示一個符號，但是GB類的漢字編碼與后文的Unicode和UTF-8是毫無關(guān)系的,。

3.Unicode

正如上一節(jié)所說,，世界上存在著多種編碼方式，同一個二進制數(shù)字可以被解釋成不同的符號,。因此,，要想打開一個文本文件，就必須知道它的編碼方式,，否則用錯誤的編碼方式解讀,，就會出現(xiàn)亂碼。為什么電子郵件常常出現(xiàn)亂碼,？就是因為發(fā)信人和收信人使用的編碼方式不一樣,。

可以想象，如果有一種編碼,，將世界上所有的符號都納入其中,。每一個符號都給予一個獨一無二的編碼，那么亂碼問題就會消失,。這就是Unicode,，就像它的名字都表示的，這是一種所有符號的編碼,。

Unicode當(dāng)然是一個很大的集合,，現(xiàn)在的規(guī)模可以容納100多萬個符號,。每個符號的編碼都不一樣,，比如，U+0639表示阿拉伯字母Ain,，U+0041表示英語的大寫字母A,，U+4E25表示漢字“嚴(yán)”。具體的符號對應(yīng)表,，可以查詢,，或者專門的漢字對應(yīng)表。

4. Unicode的問題

需要注意的是,，Unicode只是一個符號集,，它只規(guī)定了符號的二進制代碼，卻沒有規(guī)定這個二進制代碼應(yīng)該如何存儲,。

比如,，漢字“嚴(yán)”的unicode是十六進制數(shù)4E25，轉(zhuǎn)換成二進制數(shù)足足有15位（100111000100101）,，也就是說這個符號的表示至少需要2個字節(jié),。表示其他更大的符號,，可能需要3個字節(jié)或者4個字節(jié)，甚至更多,。

這里就有兩個嚴(yán)重的問題,，第一個問題是，如何才能區(qū)別unicode和ascii,？計算機怎么知道三個字節(jié)表示一個符號,，而不是分別表示三個符號 呢？第二個問題是,，我們已經(jīng)知道,，英文字母只用一個字節(jié)表示就夠了，如果unicode統(tǒng)一規(guī)定,，每個符號用三個或四個字節(jié)表示,，那么每個英文字母前都必 然有二到三個字節(jié)是0，這對于存儲來說是極大的浪費,，文本文件的大小會因此大出二三倍,，這是無法接受的。

它們造成的結(jié)果是：1）出現(xiàn)了unicode的多種存儲方式,，也就是說有許多種不同的二進制格式,，可以用來表示unicode。2）unicode在很長一段時間內(nèi)無法推廣,，直到互聯(lián)網(wǎng)的出現(xiàn),。

5.UTF-8

互聯(lián)網(wǎng)的普及，強烈要求出現(xiàn)一種統(tǒng)一的編碼方式,。UTF-8就是在互聯(lián)網(wǎng)上使用最廣的一種unicode的實現(xiàn)方式,。其他實現(xiàn)方式還包括UTF-16和UTF-32，不過在互聯(lián)網(wǎng)上基本不用,。重復(fù)一遍,，這里的關(guān)系是，UTF-8是Unicode的實現(xiàn)方式之一,。

UTF-8最大的一個特點,，就是它是一種變長的編碼方式。它可以使用1~4個字節(jié)表示一個符號,，根據(jù)不同的符號而變化字節(jié)長度。

UTF-8的編碼規(guī)則很簡單,，只有二條：

1）對于單字節(jié)的符號,，字節(jié)的第一位設(shè)為0，后面7位為這個符號的unicode碼,。因此對于英語字母,，UTF-8編碼和ASCII碼是相同的,。

2）對于n字節(jié)的符號（n>1），第一個字節(jié)的前n位都設(shè)為1,，第n+1位設(shè)為0,，后面字節(jié)的前兩位一律設(shè)為10。剩下的沒有提及的二進制位,，全部為這個符號的unicode碼,。

下表總結(jié)了編碼規(guī)則，字母x表示可用編碼的位,。

Unicode符號范圍 | UTF-8編碼方式
(十六進制) | （二進制）
--------------------+---------------------------------------------
0000 0000-0000 007F | 0xxxxxxx
0000 0080-0000 07FF | 110xxxxx 10xxxxxx
0000 0800-0000 FFFF | 1110xxxx 10xxxxxx 10xxxxxx
0001 0000-0010 FFFF | 11110xxx 10xxxxxx 10xxxxxx 10xxxxxx

下面,，還是以漢字“嚴(yán)”為例，演示如何實現(xiàn)UTF-8編碼,。

已知“嚴(yán)”的unicode是4E25（100111000100101）,，根據(jù)上表，可以發(fā)現(xiàn)4E25處在第三行的范圍內(nèi)（0000 0800-0000 FFFF）,，因此“嚴(yán)”的UTF-8編碼需要三個字節(jié),，即格式是“1110xxxx 10xxxxxx 10xxxxxx”。然后,，從“嚴(yán)”的最后一個二進制位開始,，依次從后向前填入格式中的x，多出的位補0,。這樣就得到了,，“嚴(yán)”的UTF-8編碼是 “11100100 10111000 10100101”，轉(zhuǎn)換成十六進制就是E4B8A5,。

6. Unicode與UTF-8之間的轉(zhuǎn)換

通過上一節(jié)的例子,，可以看到“嚴(yán)”的Unicode碼是4E25，UTF-8編碼是E4B8A5,，兩者是不一樣的,。它們之間的轉(zhuǎn)換可以通過程序?qū)崿F(xiàn)。

在Windows平臺下,，有一個最簡單的轉(zhuǎn)化方法,，就是使用內(nèi)置的記事本小程序Notepad.exe。打開文件后,，點擊“文件”菜單中的“另存為”命令,，會跳出一個對話框，在最底部有一個“編碼”的下拉條,。

里面有四個選項：ANSI,，Unicode，Unicode big endian 和 UTF-8,。

1）ANSI是默認(rèn)的編碼方式,。對于英文文件是ASCII編碼,，對于簡體中文文件是GB2312編碼（只針對Windows簡體中文版，如果是繁體中文版會采用Big5碼）,。

2）Unicode編碼指的是UCS-2編碼方式,，即直接用兩個字節(jié)存入字符的Unicode碼。這個選項用的little endian格式,。

3）Unicode big endian編碼與上一個選項相對應(yīng),。我在下一節(jié)會解釋little endian和big endian的涵義。

4）UTF-8編碼,，也就是上一節(jié)談到的編碼方法,。

選擇完”編碼方式“后，點擊”保存“按鈕,，文件的編碼方式就立刻轉(zhuǎn)換好了,。

7. Little endian和Big endian

上一節(jié)已經(jīng)提到，Unicode碼可以采用UCS-2格式直接存儲,。以漢字”嚴(yán)“為例,，Unicode碼是4E25，需要用兩個字節(jié)存儲,，一個字節(jié) 是4E,，另一個字節(jié)是25。存儲的時候,，4E在前,，25在后，就是Big endian方式,；25在前,，4E在后，就是Little endian方式,。

這兩個古怪的名稱來自英國作家斯威夫特的《格列佛游記》,。在該書中，小人國里爆發(fā)了內(nèi)戰(zhàn),，戰(zhàn)爭起因是人們爭論,，吃雞蛋時究竟是從大頭(Big- Endian)敲開還是從小頭(Little-Endian)敲開。為了這件事情,，前后爆發(fā)了六次戰(zhàn)爭,，一個皇帝送了命，另一個皇帝丟了王位,。

因此,，第一個字節(jié)在前，就是”大頭方式“（Big endian）,，第二個字節(jié)在前就是”小頭方式“（Little endian）,。

那么很自然的，就會出現(xiàn)一個問題：計算機怎么知道某一個文件到底采用哪一種方式編碼,？

Unicode規(guī)范中定義,，每一個文件的最前面分別加入一個表示編碼順序的字符，這個字符的名字叫做”零寬度非換行空格“（ZERO WIDTH NO-BREAK SPACE）,，用FEFF表示,。這正好是兩個字節(jié)，而且FF比FE大1,。

如果一個文本文件的頭兩個字節(jié)是FE FF,，就表示該文件采用大頭方式；如果頭兩個字節(jié)是FF FE,，就表示該文件采用小頭方式,。

8. 實例

下面，舉一個實例,。

打開”記事本“程序Notepad.exe,，新建一個文本文件，內(nèi)容就是一個”嚴(yán)“字,，依次采用ANSI,，Unicode，Unicode big endian 和 UTF-8編碼方式保存,。

然后,，用文本編輯軟件UltraEdit中的”十六進制功能“，觀察該文件的內(nèi)部編碼方式,。

1）ANSI：文件的編碼就是兩個字節(jié)“D1 CF”,，這正是“嚴(yán)”的GB2312編碼，這也暗示GB2312是采用大頭方式存儲的,。

2）Unicode：編碼是四個字節(jié)“FF FE 25 4E”,，其中“FF FE”表明是小頭方式存儲，真正的編碼是4E25,。

3）Unicode big endian：編碼是四個字節(jié)“FE FF 4E 25”,，其中“FE FF”表明是大頭方式存儲。

4）UTF-8：編碼是六個字節(jié)“EF BB BF E4 B8 A5”,，前三個字節(jié)“EF BB BF”表示這是UTF-8編碼,，后三個“E4B8A5”就是“嚴(yán)”的具體編碼，它的存儲順序與編碼順序是一致的,。