轉(zhuǎn)載鏈接：https://www.cnblogs.com/kingstarspe/p/ASCII.html
1. ASCII碼
我們知道深滚，在計(jì)算機(jī)內(nèi)部拔鹰，所有的信息最終都表示為一個(gè)二進(jìn)制的字符串仪缸。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)列肢，這被稱為一個(gè)字節(jié)（byte）恰画。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)瓷马，每一個(gè)狀態(tài)對(duì)應(yīng)一個(gè)符號(hào)拴还，就是256個(gè)符號(hào)，從00000000到11111111决采。
上個(gè)世紀(jì)60年代自沧，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)系树瞭，做了統(tǒng)一規(guī)定拇厢。這被稱為ASCII碼，一直沿用至今晒喷。
ASCII碼一共規(guī)定了128個(gè)字符的編碼孝偎，比如空格"SPACE"是32（二進(jìn)制00100000），大寫的字母A是65（二進(jìn)制01000001）凉敲。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)）衣盾，只占用了一個(gè)字節(jié)的后面7位寺旺，最前面的1位統(tǒng)一規(guī)定為0。
2势决、非ASCII編碼
英語(yǔ)用128個(gè)符號(hào)編碼就夠了阻塑，但是用來(lái)表示其他語(yǔ)言，128個(gè)符號(hào)是不夠的果复。比如陈莽，在法語(yǔ)中，字母上方有注音符號(hào)虽抄，它就無(wú)法用ASCII碼表示走搁。于是，一些歐洲國(guó)家就決定迈窟，利用字節(jié)中閑置的最高位編入新的符號(hào)私植。比如，法語(yǔ)中的é的編碼為130（二進(jìn)制10000010）车酣。這樣一來(lái)曲稼，這些歐洲國(guó)家使用的編碼體系，可以表示最多256個(gè)符號(hào)湖员。
但是躯肌，這里又出現(xiàn)了新的問(wèn)題。不同的國(guó)家有不同的字母破衔，因此，哪怕它們都使用256個(gè)符號(hào)的編碼方式钱烟，代表的字母卻不一樣晰筛。比如，130在法語(yǔ)編碼中代表了é拴袭，在希伯來(lái)語(yǔ)編碼中卻代表了字母Gimel (?)读第，在俄語(yǔ)編碼中又會(huì)代表另一個(gè)符號(hào)。但是不管怎樣拥刻，所有這些編碼方式中怜瞒，0--127表示的符號(hào)是一樣的，不一樣的只是128--255的這一段般哼。
至于亞洲國(guó)家的文字吴汪，使用的符號(hào)就更多了，漢字就多達(dá)10萬(wàn)左右蒸眠。一個(gè)字節(jié)只能表示256種符號(hào)漾橙，肯定是不夠的，就必須使用多個(gè)字節(jié)表達(dá)一個(gè)符號(hào)楞卡。比如霜运，簡(jiǎn)體中文常見的編碼方式是GB2312脾歇，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)淘捡。
中文編碼的問(wèn)題需要專文討論藕各，這篇筆記不涉及。這里只指出焦除，雖然都是用多個(gè)字節(jié)表示一個(gè)符號(hào)激况，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
世界上存在著多種編碼方式踢京，同一個(gè)二進(jìn)制數(shù)字可以被解釋成不同的符號(hào)誉碴。因此，要想打開一個(gè)文本文件瓣距，就必須知道它的編碼方式黔帕，否則用錯(cuò)誤的編碼方式解讀，就會(huì)出現(xiàn)亂碼蹈丸。為什么電子郵件常常出現(xiàn)亂碼成黄？就是因?yàn)榘l(fā)信人和收信人使用的編碼方式不一樣。
可以想象逻杖，如果有一種編碼奋岁，將世界上所有的符號(hào)都納入其中。每一個(gè)符號(hào)都給予一個(gè)獨(dú)一無(wú)二的編碼荸百，那么亂碼問(wèn)題就會(huì)消失闻伶。這就是Unicode，就像它的名字都表示的够话，這是一種所有符號(hào)的編碼蓝翰。
Unicode當(dāng)然是一個(gè)很大的集合，現(xiàn)在的規(guī)呐埃可以容納100多萬(wàn)個(gè)符號(hào)畜份。每個(gè)符號(hào)的編碼都不一樣，比如欣尼，U+0639表示阿拉伯字母Ain爆雹，U+0041表示英語(yǔ)的大寫字母A，U+4E25表示漢字"嚴(yán)"愕鼓。具體的符號(hào)對(duì)應(yīng)表钙态，可以查詢unicode.org，或者專門的漢字對(duì)應(yīng)表菇晃。
4. Unicode的問(wèn)題
需要注意的是驯绎，Unicode只是一個(gè)符號(hào)集，它只規(guī)定了符號(hào)的二進(jìn)制代碼谋旦，卻沒(méi)有規(guī)定這個(gè)二進(jìn)制代碼應(yīng)該如何存儲(chǔ)剩失。
比如屈尼，漢字"嚴(yán)"的unicode是十六進(jìn)制數(shù)4E25，轉(zhuǎn)換成二進(jìn)制數(shù)足足有15位（100111000100101）拴孤，也就是說(shuō)這個(gè)符號(hào)的表示至少需要2個(gè)字節(jié)脾歧。表示其他更大的符號(hào)，可能需要3個(gè)字節(jié)或者4個(gè)字節(jié)演熟，甚至更多鞭执。
這里就有兩個(gè)嚴(yán)重的問(wèn)題，第一個(gè)問(wèn)題是芒粹，如何才能區(qū)別Unicode和ASCII兄纺？計(jì)算機(jī)怎么知道三個(gè)字節(jié)表示一個(gè)符號(hào)，而不是分別表示三個(gè)符號(hào)呢化漆？第二個(gè)問(wèn)題是估脆，我們已經(jīng)知道，英文字母只用一個(gè)字節(jié)表示就夠了座云，如果Unicode統(tǒng)一規(guī)定疙赠，每個(gè)符號(hào)用三個(gè)或四個(gè)字節(jié)表示，那么每個(gè)英文字母前都必然有二到三個(gè)字節(jié)是0朦拖，這對(duì)于存儲(chǔ)來(lái)說(shuō)是極大的浪費(fèi)圃阳，文本文件的大小會(huì)因此大出二三倍，這是無(wú)法接受的璧帝。
它們?cè)斐傻慕Y(jié)果是：1）出現(xiàn)了Unicode的多種存儲(chǔ)方式捍岳，也就是說(shuō)有許多種不同的二進(jìn)制格式，可以用來(lái)表示Unicode睬隶。2）Unicode在很長(zhǎng)一段時(shí)間內(nèi)無(wú)法推廣祟同，直到互聯(lián)網(wǎng)的出現(xiàn)。
5.UTF-8
互聯(lián)網(wǎng)的普及理疙，強(qiáng)烈要求出現(xiàn)一種統(tǒng)一的編碼方式。UTF-8就是在互聯(lián)網(wǎng)上使用最廣的一種Unicode的實(shí)現(xiàn)方式泞坦。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）窖贤，不過(guò)在互聯(lián)網(wǎng)上基本不用。重復(fù)一遍贰锁，這里的關(guān)系是赃梧，UTF-8是Unicode的實(shí)現(xiàn)方式之一。
UTF-8最大的一個(gè)特點(diǎn)豌熄，就是它是一種變長(zhǎng)的編碼方式授嘀。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)度锣险。
UTF-8的編碼規(guī)則很簡(jiǎn)單蹄皱，只有二條：
1）對(duì)于單字節(jié)的符號(hào)览闰，字節(jié)的第一位設(shè)為0，后面7位為這個(gè)符號(hào)的unicode碼巷折。因此對(duì)于英語(yǔ)字母压鉴，UTF-8編碼和ASCII碼是相同的。
2）對(duì)于n字節(jié)的符號(hào)（n>1）锻拘，第一個(gè)字節(jié)的前n位都設(shè)為1油吭，第n+1位設(shè)為0，后面字節(jié)的前兩位一律設(shè)為10署拟。剩下的沒(méi)有提及的二進(jìn)制位婉宰，全部為這個(gè)符號(hào)的unicode碼。
下表總結(jié)了編碼規(guī)則推穷，字母x表示可用編碼的位心包。
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
下面，還是以漢字"嚴(yán)"為例缨恒，演示如何實(shí)現(xiàn)UTF-8編碼谴咸。
已知"嚴(yán)"的unicode是4E25（100111000100101），根據(jù)上表骗露，可以發(fā)現(xiàn)4E25處在第三行的范圍內(nèi)（0000 0800-0000 FFFF）岭佳，因此"嚴(yán)"的UTF-8編碼需要三個(gè)字節(jié)，即格式是"1110xxxx 10xxxxxx 10xxxxxx"萧锉。然后珊随，從"嚴(yán)"的最后一個(gè)二進(jìn)制位開始，依次從后向前填入格式中的x柿隙，多出的位補(bǔ)0叶洞。這樣就得到了，"嚴(yán)"的UTF-8編碼是"11100100 10111000 10100101"禀崖，轉(zhuǎn)換成十六進(jìn)制就是E4B8A5衩辟。
6. Unicode與UTF-8之間的轉(zhuǎn)換
"嚴(yán)"的Unicode碼是4E25，UTF-8編碼是E4B8A5波附，兩者是不一樣的艺晴。它們之間的轉(zhuǎn)換可以通過(guò)程序?qū)崿F(xiàn)。
在Windows平臺(tái)下掸屡，有一個(gè)最簡(jiǎn)單的轉(zhuǎn)化方法封寞，就是使用內(nèi)置的記事本小程序Notepad.exe。打開文件后仅财，點(diǎn)擊"文件"菜單中的"另存為"命令狈究，會(huì)跳出一個(gè)對(duì)話框，在最底部有一個(gè)"編碼"的下拉條盏求。
里面有四個(gè)選項(xiàng)：ANSI抖锥，Unicode亿眠，Unicode big endian 和 UTF-8。
1）ANSI是默認(rèn)的編碼方式宁改。對(duì)于英文文件是ASCII編碼缕探，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，如果是繁體中文版會(huì)采用Big5碼）还蹲。
2）Unicode編碼指的是UCS-2編碼方式爹耗，即直接用兩個(gè)字節(jié)存入字符的Unicode碼。這個(gè)選項(xiàng)用的little endian格式谜喊。
3）Unicode big endian編碼與上一個(gè)選項(xiàng)相對(duì)應(yīng)潭兽。我在下一節(jié)會(huì)解釋little endian和big endian的涵義。
4）UTF-8編碼斗遏，也就是上一節(jié)談到的編碼方法山卦。
選擇完"編碼方式"后，點(diǎn)擊"保存"按鈕诵次，文件的編碼方式就立刻轉(zhuǎn)換好了账蓉。
7. Little endian和Big endian
Unicode碼可以采用UCS-2格式直接存儲(chǔ)。以漢字"嚴(yán)"為例逾一，Unicode碼是4E25铸本，需要用兩個(gè)字節(jié)存儲(chǔ)，一個(gè)字節(jié)是4E遵堵，另一個(gè)字節(jié)是25箱玷。存儲(chǔ)的時(shí)候，4E在前陌宿，25在后锡足，就是Big endian方式；25在前壳坪，4E在后舶得，就是Little endian方式。
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》爽蝴。在該書中沐批，小人國(guó)里爆發(fā)了內(nèi)戰(zhàn)，戰(zhàn)爭(zhēng)起因是人們爭(zhēng)論霜瘪，吃雞蛋時(shí)究竟是從大頭(Big-Endian)敲開還是從小頭(Little-Endian)敲開。為了這件事情惧磺，前后爆發(fā)了六次戰(zhàn)爭(zhēng)颖对，一個(gè)皇帝送了命，另一個(gè)皇帝丟了王位磨隘。
因此缤底，第一個(gè)字節(jié)在前顾患，就是"大頭方式"（Big endian），第二個(gè)字節(jié)在前就是"小頭方式"（Little endian）个唧。
那么很自然的江解，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？
Unicode規(guī)范中定義徙歼，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犁河，這個(gè)字符的名字叫做"零寬度非換行空格"（ZERO WIDTH NO-BREAK SPACE），用FEFF表示魄梯。這正好是兩個(gè)字節(jié)桨螺，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酿秸，就表示該文件采用大頭方式灭翔；如果頭兩個(gè)字節(jié)是FF FE，就表示該文件采用小頭方式辣苏。
8. 實(shí)例
下面肝箱，舉一個(gè)實(shí)例。
打開"記事本"程序Notepad.exe稀蟋，新建一個(gè)文本文件煌张，內(nèi)容就是一個(gè)"嚴(yán)"字，依次采用ANSI糊治，Unicode唱矛，Unicode big endian 和 UTF-8編碼方式保存。
然后井辜，用文本編輯軟件UltraEdit中的"十六進(jìn)制功能"绎谦，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"粥脚，這正是"嚴(yán)"的GB2312編碼窃肠，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"刷允，其中"FF FE"表明是小頭方式存儲(chǔ)冤留，真正的編碼是4E25。
3）Unicode big endian：編碼是四個(gè)字節(jié)"FE FF 4E 25"树灶，其中"FE FF"表明是大頭方式存儲(chǔ)纤怒。
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編碼天通，后三個(gè)"E4B8A5"就是"嚴(yán)"的具體編碼泊窘，它的存儲(chǔ)順序與編碼順序是一致的
