什么是字符集？

Posted 2022-08-22 bisal(Chen Liu)

这是杂货铺的第468篇文章

无论是数据库，还是应用服务器，有时会碰见字符集的问题，就有些懵圈。看见CSDN转载了程序员乔戈里的一篇文章，用漫画的形式，讲解了各种字符集的知识，通俗易懂。

原文链接：

漫画：什么是字符集和编码？ASCII、UTF-8、UTF-16、UTF-32 又是什《漫画：什么是字符集和编码？ASCII、UTF-8、UTF-16、UTF-32又是什么？》

当天下午

————————

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“011001100110…”

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。

什么是编码空间呢？前面说了Unicode,它是21位的。这21位提供了1,114,112个码点，编码空间就是对应这1,114,112个码点。

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)。