字符编码简介

Posted 2022-12-10 liuwons

1. ASCII码

ASCII (American Standard Code for Information Interchange, 美国标准信息交换代码),是基于拉丁字母的一套编码系统，主要用于显示现代英语和其他西欧语言。它是现今最通用的单字节编码系统。
单个字节可以表示256个不同的字符，不过 ASCII 只使用了其中低于\\x80(即最高位字节为0)的一半来表示所有的英文字符以及一些控制字符,因此 ASCII 码的实际取值范围为0x00到0x7f之间，一共128个字符。

2. 多字节字符集MBCS

ASCII字符集中只含有英文字符，不能满足其他语言的需求。于是很多语言就制定了一套自己的编码，由于 ASCII 是单字节的，能表示的字符数量太少，因此这些编码很多都使用多个字节来表示单个字符。例如 GBK 等。 这些编码的规则都比较相似: 如果第一个字节是\\x80以下，则仍然表示 ASCII 字符，而如果是\\x80以上，则跟下一个字节一起（共两个字节）表示一个字符。

IBM发明了一个叫Code Page的概念，将这些编码都收入囊中并分配页码，GBK 是第936页，也就是CP936。所以，也可以使用CP936表示 GBK 。

这些各种语言自己制定的编码统称 MBCS (Multi-Byte Character Set)。目前都是用了双字节，所以有时候也称为 DBCS (Double-Byte Character Set)。必须明确的是，MBCS 并不是指某一种特定的编码，Windows里根据你设定的区域不同，MBCS 代表不同的编码，而Linux里无法使用 MBCS 作为编码。在Windows中你看不到 MBCS 这几个字符，因为微软使用了 ANSI 这个称呼，记事本的另存为对话框里编码 ANSI 就是 MBCS 。在简体中文 Windows 默认的区域设定中，ANSI 代表 GBK 编码。

3. Unicode

由于各种不同的 MBCS 编码互相不兼容，使用、转换起来很不方便，于是便有了 Unicode 。

Unicode (万国码、国际码、统一码、单一码)是计算机科学领域里的一项业界标准。它对世界上大部分的文字系统进行了整理、编码，使得电脑可以用更为简单的方式来呈现和处理文字。

Unicode 发展由非营利机构统一码联盟负责，该机构致力于让Unicode方案替换既有的字符编码方案。因为既有的方案往往空间非常有限，亦不适用于多语环境。

Unicode 备受认可，并广泛地应用于电脑软件的国际化与本地化过程。有很多新科技，如可扩展置标语言、Java编程语言以及现代的操作系统，都采用 Unicode 编码。

最初的Unicode标准UCS-2使用两个字节表示一个字符,一共能表示 256×个字符，不久后又有人觉得还是太少了，于是出现了用4个字节表示一个字符的UCS-4标准。

UCS (Unicode Character Set)仅仅是字符对应码位的一张表而已。具体如何传输和储存字符则是由 UTF (UCS Transformation Format)来指定。

一开始直接使用 UCS 的码位来保存字符，这就是UTF-16，比如汉这个字的码位是6C49，则直接使用\\x6C\\x49保存(UTF-16-BE,BE指Big Endian)，或是倒过来使用\\x49\\x6C保存(UTF-16-LE,LE指Little Endian)。

但是这种保存方式在保存英文字符时，会浪费很多存储空间( ASCII 保存一个字符只需要一个字节)，于是变有了 UTF-8。

UTF-8 是一种变长并且兼容 ASCII 的字符编码，在 UTF-8 中 ASCII 字符仍然使用相同的一个字节表示，这使得原来处理 ASCII 字符的软件无须或只须做少部分修改，即可继续使用。因此，它逐渐成为电子邮件、网页及其他存储或发送文字的应用中，优先采用的编码。

UTF-8 使用一至六个字节为每个字符编码（尽管如此，2003年11月 UTF-8 被RFC 3629重新规范，只能使用原来 Unicode 定义的区域，U+0000到U+10FFFF，也就是说最多四个字节）：

• 128个 US-ASCII 字符只需一个字节编码（Unicode 范围由U+0000至U+007F）.
• 带有附加符号的拉丁文、希腊文、西里尔字母、亚美尼亚语、希伯来文、阿拉伯文、叙利亚文及它拿字母则需要两个字节编码（ Unicode 范围由U+0080至U+07FF）。
• 其他基本多文种平面( BMP) 中的字符(这包含了大部分常用字，如大部分的汉字)使用三个字节编码(Unicode 范围由U+0800至U+FFFF)。
• 其他极少使用的 Unicode 辅助平面的字符使用四至六字节编码(Unicode 范围由U+10000至U+1FFFFF使用四字节，Unicode 范围由U+200000至U+3FFFFFF使用五字节，Unicode 范围由U+4000000至U+7FFFFFFF使用六字节）。

对上述提及的第四种字符而言，UTF-8 使用四至六个字节来编码似乎太耗费资源了。但 UTF-8 对所有常用的字符都可以用三个字节表示，而且它的另一种选择，UTF-16 编码，对前述的第四种字符同样需要四个字节来编码，所以要决定 UTF-8 或 UTF-16 哪种编码比较有效率，还要视所使用的字符的分布范围而定。

另外值得一提的是 BOM (Byte Order Mark)。我们在储存文件时，文件使用的编码并没有保存，打开时则需要我们记住原先保存时使用的编码并使用这个编码打开，这样一来就产生了许多麻烦。UTF 则引入了 BOM 来表示自身编码，如果一开始读入的几个字节是其中之一，则代表接下来要读取的文字使用的编码是相应的编码：

BOM	BYTES
BOM_UTF8	\\xef\\xbb\\xbf
BOM_UTF16_LE	\\xff\\xfe
BOM_UTF16_BE	\\xfe\\xff

并不是所有的编辑器都会写入 BOM ，但即使没有 BOM，Unicode 还是可以读取的，只是像 MBCS 的编码一样，需要另行指定具体的编码，否则解码可能会失败。
绝大多数编辑器在没有BOM时都是以 UTF-8 作为默认编码读取。即使是保存时默认使用 ANSI (MBCS)的记事本，在读取文件时也是先使用 UTF-8 测试编码，如果可以成功解码，则使用 UTF-8 解码。这个别扭的做法造成了一个BUG：如果你新建文本文件并输入姹塧然后使用 ANSI 保存，再打开就会变成 汉a。

参考资料：

• ASCII wikipedia
• Unicode wikipedia
• UTF-8 wikipedia
• Python字符编码详解
• 字符编码简介