1. ASCII碼
我們知道，在計(jì)算機(jī)內(nèi)部春叫，所有的信息最終都表示為一個(gè)二進(jìn)制的字符串肩钠。每一個(gè)二進(jìn)制位（bit）有0和1兩種狀態(tài)，因此八個(gè)二進(jìn)制位就可以組合出256種狀態(tài)暂殖，這被稱為一個(gè)字節(jié)（byte）价匠。也就是說(shuō)，一個(gè)字節(jié)一共可以用來(lái)表示256種不同的狀態(tài)央星，每一個(gè)狀態(tài)對(duì)應(yīng)一個(gè)符號(hào)霞怀，就是256個(gè)符號(hào)惫东，從0000000到11111111莉给。
上個(gè)世紀(jì)60年代毙石，美國(guó)制定了一套字符編碼，對(duì)英語(yǔ)字符與二進(jìn)制位之間的關(guān)系颓遏，做了統(tǒng)一規(guī)定徐矩。這被稱為ASCII碼，一直沿用至今叁幢。
ASCII碼一共規(guī)定了128個(gè)字符的編碼滤灯，比如空格"SPACE"是32（二進(jìn)制00100000），大寫(xiě)的字母A是65（二進(jìn)制01000001）曼玩。這128個(gè)符號(hào)（包括32個(gè)不能打印出來(lái)的控制符號(hào)）鳞骤，只占用了一個(gè)字節(jié)的后面7位，最前面的1位統(tǒng)一規(guī)定為0黍判。
2豫尽、非ASCII編碼
英語(yǔ)用128個(gè)符號(hào)編碼就夠了，但是用來(lái)表示其他語(yǔ)言顷帖，128個(gè)符號(hào)是不夠的美旧。比如，在法語(yǔ)中贬墩，字母上方有注音符號(hào)榴嗅，它就無(wú)法用ASCII碼表示。于是陶舞，一些歐洲國(guó)家就決定嗽测，利用字節(jié)中閑置的最高位編入新的符號(hào)。比如吊说，法語(yǔ)中的é的編碼為130（二進(jìn)制10000010）论咏。這樣一來(lái)，這些歐洲國(guó)家使用的編碼體系颁井，可以表示最多256個(gè)符號(hào)厅贪。
但是，這里又出現(xiàn)了新的問(wèn)題雅宾。不同的國(guó)家有不同的字母养涮，因此，哪怕它們都使用256個(gè)符號(hào)的編碼方式眉抬，代表的字母卻不一樣贯吓。比如，130在法語(yǔ)編碼中代表了é蜀变，在希伯來(lái)語(yǔ)編碼中卻代表了字母Gimel (?)悄谐，在俄語(yǔ)編碼中又會(huì)代表另一個(gè)符號(hào)。但是不管怎樣库北，所有這些編碼方式中爬舰，0--127表示的符號(hào)是一樣的们陆，不一樣的只是128--255的這一段。
至于亞洲國(guó)家的文字情屹，使用的符號(hào)就更多了坪仇，漢字就多達(dá)10萬(wàn)左右。一個(gè)字節(jié)只能表示256種符號(hào)垃你，肯定是不夠的椅文，就必須使用多個(gè)字節(jié)表達(dá)一個(gè)符號(hào)。比如惜颇，簡(jiǎn)體中文常見(jiàn)的編碼方式是GB2312皆刺，使用兩個(gè)字節(jié)表示一個(gè)漢字，所以理論上最多可以表示256x256=65536個(gè)符號(hào)凌摄。
中文編碼的問(wèn)題需要專文討論芹橡，這篇筆記不涉及。這里只指出望伦，雖然都是用多個(gè)字節(jié)表示一個(gè)符號(hào)林说，但是GB類的漢字編碼與后文的Unicode和UTF-8是毫無(wú)關(guān)系的。
3.Unicode
正如上一節(jié)所說(shuō)屯伞，世界上存在著多種編碼方式腿箩，同一個(gè)二進(jìn)制數(shù)字可以被解釋成不同的符號(hào)。因此劣摇，要想打開(kāi)一個(gè)文本文件珠移，就必須知道它的編碼方式，否則用錯(cuò)誤的編碼方式解讀末融，就會(huì)出現(xiàn)亂碼钧惧。為什么電子郵件常常出現(xiàn)亂碼？就是因?yàn)榘l(fā)信人和收信人使用的編碼方式不一樣勾习。
可以想象浓瞪，如果有一種編碼，將世界上所有的符號(hào)都納入其中巧婶。每一個(gè)符號(hào)都給予一個(gè)獨(dú)一無(wú)二的編碼乾颁，那么亂碼問(wèn)題就會(huì)消失。這就是Unicode艺栈，就像它的名字都表示的英岭，這是一種所有符號(hào)的編碼。
Unicode當(dāng)然是一個(gè)很大的集合湿右，現(xiàn)在的規(guī)淖缑茫可以容納100多萬(wàn)個(gè)符號(hào)。每個(gè)符號(hào)的編碼都不一樣毅人，比如吭狡，U+0639表示阿拉伯字母Ain荧库，U+0041表示英語(yǔ)的大寫(xiě)字母A，U+4E25表示漢字"嚴(yán)"赵刑。具體的符號(hào)對(duì)應(yīng)表，可以查詢unicode.org场刑，或者專門(mén)的漢字對(duì)應(yīng)表般此。
4. Unicode的問(wèn)題
需要注意的是，Unicode只是一個(gè)符號(hào)集牵现，它只規(guī)定了符號(hào)的二進(jìn)制代碼铐懊，卻沒(méi)有規(guī)定這個(gè)二進(jìn)制代碼應(yīng)該如何存儲(chǔ)。
比如瞎疼，漢字"嚴(yán)"的unicode是十六進(jìn)制數(shù)4E25科乎，轉(zhuǎn)換成二進(jìn)制數(shù)足足有15位（100111000100101），也就是說(shuō)這個(gè)符號(hào)的表示至少需要2個(gè)字節(jié)贼急。表示其他更大的符號(hào)茅茂，可能需要3個(gè)字節(jié)或者4個(gè)字節(jié)，甚至更多太抓。
這里就有兩個(gè)嚴(yán)重的問(wèn)題空闲，第一個(gè)問(wèn)題是，如何才能區(qū)別Unicode和ASCII走敌？計(jì)算機(jī)怎么知道三個(gè)字節(jié)表示一個(gè)符號(hào)碴倾，而不是分別表示三個(gè)符號(hào)呢？第二個(gè)問(wèn)題是掉丽，我們已經(jīng)知道跌榔，英文字母只用一個(gè)字節(jié)表示就夠了，如果Unicode統(tǒng)一規(guī)定捶障，每個(gè)符號(hào)用三個(gè)或四個(gè)字節(jié)表示僧须，那么每個(gè)英文字母前都必然有二到三個(gè)字節(jié)是0，這對(duì)于存儲(chǔ)來(lái)說(shuō)是極大的浪費(fèi)项炼，文本文件的大小會(huì)因此大出二三倍皆辽，這是無(wú)法接受的。
它們?cè)斐傻慕Y(jié)果是：1）出現(xiàn)了Unicode的多種存儲(chǔ)方式芥挣，也就是說(shuō)有許多種不同的二進(jìn)制格式驱闷，可以用來(lái)表示Unicode。2）Unicode在很長(zhǎng)一段時(shí)間內(nèi)無(wú)法推廣空免，直到互聯(lián)網(wǎng)的出現(xiàn)空另。
5.UTF-8
互聯(lián)網(wǎng)的普及，強(qiáng)烈要求出現(xiàn)一種統(tǒng)一的編碼方式蹋砚。UTF-8就是在互聯(lián)網(wǎng)上使用最廣的一種Unicode的實(shí)現(xiàn)方式扼菠。其他實(shí)現(xiàn)方式還包括UTF-16（字符用兩個(gè)字節(jié)或四個(gè)字節(jié)表示）和UTF-32（字符用四個(gè)字節(jié)表示）摄杂，不過(guò)在互聯(lián)網(wǎng)上基本不用。重復(fù)一遍循榆，這里的關(guān)系是析恢，UTF-8是Unicode的實(shí)現(xiàn)方式之一。
UTF-8最大的一個(gè)特點(diǎn)秧饮，就是它是一種變長(zhǎng)的編碼方式映挂。它可以使用1~4個(gè)字節(jié)表示一個(gè)符號(hào)，根據(jù)不同的符號(hào)而變化字節(jié)長(zhǎng)度盗尸。
UTF-8的編碼規(guī)則很簡(jiǎn)單柑船，只有二條：
1）對(duì)于單字節(jié)的符號(hào)，字節(jié)的第一位設(shè)為0泼各，后面7位為這個(gè)符號(hào)的unicode碼鞍时。因此對(duì)于英語(yǔ)字母，UTF-8編碼和ASCII碼是相同的扣蜻。
2）對(duì)于n字節(jié)的符號(hào)（n>1）逆巍，第一個(gè)字節(jié)的前n位都設(shè)為1，第n+1位設(shè)為0莽使，后面字節(jié)的前兩位一律設(shè)為10蒸苇。剩下的沒(méi)有提及的二進(jìn)制位，全部為這個(gè)符號(hào)的unicode碼吮旅。
下表總結(jié)了編碼規(guī)則溪烤，字母x表示可用編碼的位。
Unicode符號(hào)范圍 | UTF-8編碼方式
(十六進(jìn)制) | （二進(jìn)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
跟據(jù)上表庇勃，解讀UTF-8編碼非常簡(jiǎn)單檬嘀。如果一個(gè)字節(jié)的第一位是0，則這個(gè)字節(jié)單獨(dú)就是一個(gè)字符责嚷；如果第一位是1鸳兽，則連續(xù)有多少個(gè)1，就表示當(dāng)前字符占用多少個(gè)字節(jié)罕拂。
下面揍异，還是以漢字"嚴(yán)"為例，演示如何實(shí)現(xiàn)UTF-8編碼爆班。
已知"嚴(yán)"的unicode是4E25（100111000100101）衷掷，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）柿菩，因此"嚴(yán)"的UTF-8編碼需要三個(gè)字節(jié)戚嗅，即格式是"1110xxxx 10xxxxxx 10xxxxxx"。然后，從"嚴(yán)"的最后一個(gè)二進(jìn)制位開(kāi)始懦胞，依次從后向前填入格式中的x替久，多出的位補(bǔ)0。這樣就得到了躏尉，"嚴(yán)"的UTF-8編碼是"11100100 10111000 10100101"蚯根，轉(zhuǎn)換成十六進(jìn)制就是E4B8A5。
6. Unicode與UTF-8之間的轉(zhuǎn)換
通過(guò)上一節(jié)的例子胀糜，可以看到"嚴(yán)"的Unicode碼是4E25颅拦，UTF-8編碼是E4B8A5，兩者是不一樣的僚纷。它們之間的轉(zhuǎn)換可以通過(guò)程序?qū)崿F(xiàn)。
在Windows平臺(tái)下拗盒，有一個(gè)最簡(jiǎn)單的轉(zhuǎn)化方法怖竭，就是使用內(nèi)置的記事本小程序Notepad.exe。打開(kāi)文件后陡蝇，點(diǎn)擊"文件"菜單中的"另存為"命令痊臭，會(huì)跳出一個(gè)對(duì)話框，在最底部有一個(gè)"編碼"的下拉條登夫。
里面有四個(gè)選項(xiàng)：ANSI广匙，Unicode，Unicode big endian 和 UTF-8恼策。
1）ANSI是默認(rèn)的編碼方式鸦致。對(duì)于英文文件是ASCII編碼，對(duì)于簡(jiǎn)體中文文件是GB2312編碼（只針對(duì)Windows簡(jiǎn)體中文版涣楷，如果是繁體中文版會(huì)采用Big5碼）分唾。
2）Unicode編碼指的是UCS-2編碼方式，即直接用兩個(gè)字節(jié)存入字符的Unicode碼狮斗。這個(gè)選項(xiàng)用的little endian格式绽乔。
3）Unicode big endian編碼與上一個(gè)選項(xiàng)相對(duì)應(yīng)。我在下一節(jié)會(huì)解釋little endian和big endian的涵義碳褒。
4）UTF-8編碼折砸，也就是上一節(jié)談到的編碼方法。
選擇完"編碼方式"后沙峻，點(diǎn)擊"保存"按鈕睦授，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)提到摔寨，Unicode碼可以采用UCS-2格式直接存儲(chǔ)睹逃。以漢字"嚴(yán)"為例，Unicode碼是4E25，需要用兩個(gè)字節(jié)存儲(chǔ)沉填，一個(gè)字節(jié)是4E疗隶，另一個(gè)字節(jié)是25。存儲(chǔ)的時(shí)候翼闹，4E在前斑鼻，25在后，就是Big endian方式猎荠；25在前坚弱，4E在后，就是Little endian方式关摇。
這兩個(gè)古怪的名稱來(lái)自英國(guó)作家斯威夫特的《格列佛游記》荒叶。在該書(shū)中，小人國(guó)里爆發(fā)了內(nèi)戰(zhàn)输虱，戰(zhàn)爭(zhēng)起因是人們爭(zhēng)論些楣，吃雞蛋時(shí)究竟是從大頭(Big-Endian)敲開(kāi)還是從小頭(Little-Endian)敲開(kāi)。為了這件事情宪睹，前后爆發(fā)了六次戰(zhàn)爭(zhēng)愁茁，一個(gè)皇帝送了命，另一個(gè)皇帝丟了王位亭病。
因此鹅很，第一個(gè)字節(jié)在前，就是"大頭方式"（Big endian）罪帖，第二個(gè)字節(jié)在前就是"小頭方式"（Little endian）促煮。
那么很自然的，就會(huì)出現(xiàn)一個(gè)問(wèn)題：計(jì)算機(jī)怎么知道某一個(gè)文件到底采用哪一種方式編碼整袁？
Unicode規(guī)范中定義污茵，每一個(gè)文件的最前面分別加入一個(gè)表示編碼順序的字符，這個(gè)字符的名字叫做"零寬度非換行空格"（ZERO WIDTH NO-BREAK SPACE）葬项，用FEFF表示泞当。這正好是兩個(gè)字節(jié)，而且FF比FE大1。
如果一個(gè)文本文件的頭兩個(gè)字節(jié)是FE FF，就表示該文件采用大頭方式跪呈；如果頭兩個(gè)字節(jié)是FF FE，就表示該文件采用小頭方式陋桂。
8. 實(shí)例
下面，舉一個(gè)實(shí)例蝶溶。
打開(kāi)"記事本"程序Notepad.exe嗜历，新建一個(gè)文本文件宣渗，內(nèi)容就是一個(gè)"嚴(yán)"字，依次采用ANSI梨州，Unicode痕囱，Unicode big endian 和 UTF-8編碼方式保存。
然后暴匠，用文本編輯軟件UltraEdit中的"十六進(jìn)制功能"鞍恢，觀察該文件的內(nèi)部編碼方式。
1）ANSI：文件的編碼就是兩個(gè)字節(jié)"D1 CF"每窖，這正是"嚴(yán)"的GB2312編碼帮掉，這也暗示GB2312是采用大頭方式存儲(chǔ)的。
2）Unicode：編碼是四個(gè)字節(jié)"FF FE 25 4E"窒典，其中"FF FE"表明是小頭方式存儲(chǔ)蟆炊，真正的編碼是4E25。
3）Unicode big endian：編碼是四個(gè)字節(jié)"FE FF 4E 25"瀑志，其中"FE FF"表明是大頭方式存儲(chǔ)涩搓。
4）UTF-8：編碼是六個(gè)字節(jié)"EF BB BF E4 B8 A5"，前三個(gè)字節(jié)"EF BB BF"表示這是UTF-8編碼后室，后三個(gè)"E4B8A5"就是"嚴(yán)"的具體編碼缩膝，它的存儲(chǔ)順序與編碼順序是一致的混狠。
