字符编码与解码.ppt

字符编码与解码 蒋刚毅 字符编码方式 ASCII 扩展ASCII Unicode UTF-8 GBK Little endian和Big endian URL ASCII 计算机是讲英语的人发明的。英语只有26个英文字母。加上特殊符号，整个键盘不超过100个符号。所以，他们采用了一个字节表示所有符号的方式。最多能表示128个编码。ASCII码只占用了一个字节的后面7位，最前面的1位统一规定为0。 上个世纪60年代，美国制定了一套字符编码，对英语字符与二进制位之间的关系，做了统一规定。这被称为ASCII码，一直沿用至今。 扩展ASCII 英语用128个符号编码就够了，但是用来表示其他语言，128个符号是不够的。比如，在法语中，字母上方有注音符号，它就无法用ASCII码表示。于是，一些欧洲国家就决定，利用字节中闲置的最高位编入新的符号。比如，法语中的é的编码为130（二进。这样一来，这些欧洲国家使用的编码体系，可以表示最多256个符号。 不同国家的编码方式中，0—127表示的符号是一样的，不一样的只是128—255的这一段。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。 GBK编码 非英语国家使用的语言较为复杂，尤其是欧亚语系。 采用多字节去编码一个字。 中国的GBK编码。（兼容简繁体，简体是GB2312).使用两个字节表示一个汉字，所以理论上最多可以表示256x256=65536个符号 其他国家也都有自己的编码方案。计算机方言产生。 Unicode 可以想象，如果有一种编码，将世界上所有的符号都纳入其中。每一个符号都给予一个独一无二的编码，那么乱码问题就会消失。这就是Unicode，就像它的名字都表示的，这是一种所有符号的编码。 Unicode当然是一个很大的集合，现在的规模可以容纳100多万个符号。每个符号的编码都不一样，比如，U+0639表示阿拉伯字母Ain，U+0041表示英语的大写字母A，U+4E25表示汉字“严”。具体的符号对应表，可以查询。 Unicode的问题 需要注意的是，Unicode只是一个符号集，它只规定了符号的二进制代码，却没有规定这个二进制代码应该如何存储。 比如，汉字“严”的unicode是十六进制数4E25，转换成二进制数足足有15位（100111000100101），也就是说这个符号的表示至少需要2个字节。表示其他更大的符号，可能需要3个字节或者4个字节，甚至更多。 这里就有两个严重的问题，第一个问题是，如何才能区别unicode和ascii？计算机怎么知道三个字节表示一个符号，而不是分别表示三个符号呢？第二个问题是，我们已经知道，英文字母只用一个字节表示就够了，如果unicode统一规定，每个符号用三个或四个字节表示，那么每个英文字母前都必然有二到三个字节是0，这对于存储来说是极大的浪费，文本文件的大小会因此大出二三倍，这是无法接受的。 UTF-8 Unicode提供了编码方案，没有提供存储方案。 于是产生了很多的编码方案。Utf-8，utf-16等。应用最广泛的，是utf-8,其他编码可以忽略了。 重复一遍，这里的关系是，UTF-8是Unicode的实现方式之一 UTF-8编码规则 UTF-8最大的一个特点，就是它是一种变长的编码方式。它可以使用1~4个字节表示一个符号，根据不同的符号而变化字节长度。 UTF-8的编码规则很简单，只有二条： 1）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。  2）对于n字节的符号（n1），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表示可用编码的位。Unicode符号范围 | UTF-8编码方式(十六进制) | （二进制）--------------------+---------------------------------------------0000 0000-0000 007F | 0xxxxxxx0000 0080-0000 07FF | 110xxxxx 10xxxxxx0000 0800-0000 FFFF | 1110xxxx 10xxxxxx 10xxxxxx0001 0000-0010 FFFF | 11110xxx 10xxxxxx 10xxxxxx 10xxxxxx Little endian和Big endian 以汉字“严”为例，Unicode码是4E25，需要用两个字节存储，一个字节是 4E，另一个字节是25。存储的