字符编码发展史

Posted 2020-09-22 Zoe233

tags:

篇首语：本文由小常识网(cha138.com)小编为大家整理，主要介绍了字符编码发展史相关的知识，希望对你有一定的参考价值。

下文为转载内容，来源：http://www.cnblogs.com/alex3714/articles/5465198.html

python解释器在加载 .py 文件中的代码时，会对内容进行编码（默认ascill）

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电脑编码系统，主要用于显示现代英语和其他西欧语言，其最多只能用 8 位来表示（一个字节），即：2**8 = 256-1，所以，ASCII码最多只能表示 255 个符号。

关于中文

为了处理汉字，程序员设计了用于简体中文的GB2312和用于繁体中文的big5。

GB2312(1980年)一共收录了7445个字符，包括6763个汉字和682个其它符号。汉字区的内码范围高字节从B0-F7，低字节从A1-FE，占用的码位是72*94=6768。其中有5个空位是D7FA-D7FE。

GB2312 支持的汉字太少。1995年的汉字扩展规范GBK1.0收录了21886个符号，它分为汉字区和图形符号区。汉字区包括21003个字符。2000年的 GB18030是取代GBK1.0的正式国家标准。该标准收录了27484个汉字，同时还收录了藏文、蒙文、维吾尔文等主要的少数民族文字。现在的PC平台必须支持GB18030，对嵌入式产品暂不作要求。所以手机、MP3一般只支持GB2312。

从ASCII、GB2312、GBK 到GB18030，这些编码方法是向下兼容的，即同一个字符在这些方案中总是有相同的编码，后面的标准支持更多的字符。在这些编码中，英文和中文可以统一地处理。区分中文编码的方法是高字节的最高位不为0。按照程序员的称呼，GB2312、GBK到GB18030都属于双字节字符集 (DBCS)。

有的中文Windows的缺省内码还是GBK，可以通过GB18030升级包升级到GB18030。不过GB18030相对GBK增加的字符，普通人是很难用到的，通常我们还是用GBK指代中文Windows内码。

显然ASCII码无法将世界上的各种文字和符号全部表示，所以，就需要新出一种可以代表所有字符和符号的编码，即：Unicode

Unicode（统一码、万国码、单一码）是一种在计算机上使用的字符编码。Unicode 是为了解决传统的字符编码方案的局限而产生的，它为每种语言中的每个字符设定了统一并且唯一的二进制编码，规定虽有的字符和符号最少由 16 位来表示（2个字节），即：2 **16 = 65536，
注：此处说的的是最少2个字节，可能更多

UTF-8，是对Unicode编码的压缩和优化，他不再使用最少使用2个字节，而是将所有的字符和符号进行分类：ascii码中的内容用1个字节保存、欧洲的字符用2个字节保存，东亚的字符用3个字节保存...

所以，python解释器在加载 .py 文件中的代码时，会对内容进行编码（默认ascill），如果是如下代码的话：

报错：ascii码无法表示中文

#!/usr/bin/env python
  
print "你好，世界"

改正：应该显示的告诉python解释器，用什么编码来执行源代码，即：

#!/usr/bin/env python
# -*- coding: utf-8 -*-
  
print "你好，世界"

_______________以下内容为原创梳理内容___________________

1.二进制

一切字符编码的基础，二进制。

二进制位的计算说明图:

二进制

128     64      32      16      8       4       2       1
1       1       1       1       1       1       1       1
以上的每一个1上方的数字代表的是这个1在计算机代表的值。
8位组成一个字节，8 bit=1 bytes；
另外，1上方的每一个数字都等于从右向左相应的1上面的数字的累加。

128     64      32      16      8       4       2       1       表示
1       1       1       1       1       1       1       1       255
1       1       1       1       1       1       1       0       254
1       1       1       1       1       1       0       1       253
1       1       1       1       1       0       1       1       251
1       1       1       1       0       1       1       1       247
1       1       1       0       1       1       1       1       239
1       1       0       1       1       1       1       1       223
1       0       1       1       1       1       1       1       191
0       1       1       1       1       1       1       1       127
0       0       1       1       1       1       1       1       63
0       0       1       1       1       1       1       0       62
...
以此类推，8位总共会产生2**8种结果，表示的数字的值从0-255之间（包含0和255）。
...
0       0       0       0       0       0       0       0       0

但是二进制仅仅满足了计算机中对数字的值得转换，那么英文呢？其他的特殊字符呢？中文等全世界各种语言呢？

2.ASCII

由于二进制没有办法满足人们对计算机使用的需求，ASCII随着需求产生。

"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电脑编码系统，主要用于显示现代英语和其他西欧语言，其最多只能用 8 位来表示（一个字节），即：2**8 = 256，所以，ASCII码最多只能表示 256 个符号。

ASCII码的原理是基于二进制对应的数字的值进行了对应。二进制的8bit（1byte）能累计产生256个数字。

标准ASCII码是用一个字节的(7)位二进制表示一个字符（每个字节的最高位都是0）
扩展ASCII码是用一个字节的(8)位二进制表示一个字符的。

ASCII 码使用指定的7 位或8 位二进制数组合来表示128 或256 种可能的字符。标准ASCII 码也叫基础ASCII码，使用7 位二进制数来表示所有的大写和小写字母，数字0 到9、标点符号， 以及在美式英语中使用的特殊控制字符。其中：
0～31及127(共33个)是控制字符或通信专用字符（其余为可显示字符），如控制符：LF（换行）、CR（回车）、FF（换页）、DEL（删除）、BS（退格)、BEL（响铃）等；通信专用字符：SOH（文头）、EOT（文尾）、ACK（确认）等；ASCII值为8、9、10 和13 分别转换为退格、制表、换行和回车字符。它们并没有特定的图形显示，但会依不同的应用程序，而对文本显示有不同的影响。
32～126(共95个)是字符(32是空格），其中48～57为0到9十个阿拉伯数字。
65～90为26个大写英文字母，97～122号为26个小写英文字母，其余为一些标点符号、运算符号等。
同时还要注意，在标准ASCII中，其最高位(b7)用作奇偶校验位。所谓奇偶校验，是指在代码传送过程中用来检验是否出现错误的一种方法，一般分奇校验和偶校验两种。奇校验规定：正确的代码一个字节中1的个数必须是奇数，若非奇数，则在最高位b7添1；偶校验规定：正确的代码一个字节中1的个数必须是偶数，若非偶数，则在最高位b7添1。
后128个称为扩展ASCII码。许多基于x86的系统都支持使用扩展（或“高”）ASCII。扩展ASCII 码允许将每个字符的第8 位用于确定附加的128 个特殊符号字符、外来语字母和图形符号。

在ascii码中拉丁世界使用前127个数字，剩余了128个位子给非拉丁体系的国家，但是完全不够用。为了满足非拉丁语言体系国家的需求，各国都生成了相应的自己的国家的编码。
主要原理是利用ascii码中空余的位置中存放索引，指向相应的字符编码体系中。