但是，这⾥⼜出现了新的问题。不同的国家有不同的字母，因此，哪怕它们都使⽤256个符号的编码⽅式，代表的字母却不⼀样。⽐如，130在法语编码中代表了é，在希伯来语编码中却代表了字母Gimel (ג)，在俄语编码中⼜会代表另⼀个符号。但是不管怎样，所有这些编码⽅式中，0--127表⽰的符号是⼀样的，不⼀样的只是128--255的这⼀段。
⾄于亚洲国家的⽂字，使⽤的符号就更多了，汉字就多达10万左右。⼀个字节只能表⽰256种符号，肯定是不够的，就必须使⽤多个字节表达⼀个符号。⽐如，简体中⽂常见的编码⽅式是 GB2312，使⽤两个字节表⽰⼀个汉字，所以理论上最多可以表⽰ 256 x 256 = 65536 个符号。
中⽂编码的问题需要专⽂讨论，这篇笔记不涉及。这⾥只指出，虽然都是⽤多个字节表⽰⼀个符号，但是GB类的汉字编码与后⽂的 Unicode 和UTF-8 是毫⽆关系的。
三. Unicode
正如上⼀节所说，世界上存在着多种编码⽅式，同⼀个⼆进制数字可以被解释成不同的符号。因此，要想打开⼀个⽂本⽂件，就必须知道它的编码⽅式，否则⽤错误的编码⽅式解读，就会出现乱码。为什么电⼦邮件常常出现乱码？就是因为发信⼈和收信⼈使⽤的编码⽅式不⼀样。
可以想象，如果有⼀种编码，将世界上所有的符号都纳⼊其中。每⼀个符号都给予⼀个独⼀⽆⼆的编码，那么乱码问题就会消失。这就是Unicode，就像它的名字都表⽰的，这是⼀种所有符号的编码。
Unicode 当然是⼀个很⼤的集合，现在的规模可以容纳100多万个符号。每个符号的编码都不⼀样，⽐如，U+0639表⽰阿拉伯字
母Ain，U+0041表⽰英语的⼤写字母A，U+4E25表⽰汉字严。具体的符号对应表，可以查询，或者专门的汉字对应表。
四、Unicode 的问题
需要注意的是，Unicode 只是⼀个符号集，它只规定了符号的⼆进制代码，却没有规定这个⼆进制代码应该如何存储。
⽐如，汉字严的 Unicode 是⼗六进制数4E25，转换成⼆进制数⾜⾜有15位（100111000100101），也就是说，这个符号的表⽰⾄少需要2个字节。表⽰其他更⼤的符号，可能需要3个字节或者4个字节，甚⾄更多。
这⾥就有两个严重的问题，第⼀个问题是，如何才能区别 Unicode 和 ASCII ？计算机怎么知道三个字节表⽰⼀个符号，⽽不是分别表⽰三个符号呢？第⼆个问题是，我们已经知道，英⽂字母只⽤⼀个字节表⽰就够了，如果 Unicode 统⼀规定，每个符号⽤三个或四个字节表⽰，那么每个英⽂字母前都必然有⼆到三个字节是0，这对于存储来说是极⼤的浪费，⽂本⽂件的⼤⼩会因此⼤出⼆三倍，这是⽆法接受的。
它们造成的结果是：1）出现了 Unicode 的多种存储⽅式，也就是说有许多种不同的⼆进制格式，可以⽤来表⽰ Unicode。2）Unicode 在很长⼀段时间内⽆法推⼴，直到互联⽹的出现。
五、UTF-8
互联⽹的普及，强烈要求出现⼀种统⼀的编码⽅式。UTF-8 就是在互联⽹上使⽤最⼴的⼀种 Unicode 的实现⽅式。其他实现⽅式还包括 UTF-16（字符⽤两个字节或四个字节表⽰）和 UTF-32（字符⽤四个字节表⽰），不过在互联⽹上基本不⽤。重复⼀遍，这⾥的关系是，UTF-8 是Unicode 的实现⽅式之⼀。
UTF-8 最⼤的⼀个特点，就是它是⼀种变长的编码⽅式。它可以使⽤1~4个字节表⽰⼀个符号，根据不同的符号⽽变化字节长度。
UTF-8 的编码规则很简单，只有⼆条：
1）对于单字节的符号，字节的第⼀位设为0，后⾯7位为这个符号的 Unicode 码。因此对于英语字母，UTF-8 编码和 ASCII 码是相同的。
2）对于n字节的符号（n > 1），第⼀个字节的前n位都设为1，第n + 1位设为0，后⾯字节的前两位⼀律设为10。剩下的没有提及的⼆进制位，全部为这个符号的 Unicode 码。
下表总结了编码规则，字母x表⽰可⽤编码的位。
<pre >Unicode符号范围 | UTF-8编码⽅式
(⼗六进制) | （⼆进制）
----------------------+---------------------------------------------
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
</pre>
跟据上表，解读 UTF-8 编码⾮常简单。如果⼀个字节的第⼀位是0，则这个字节单独就是⼀个字符；如果第⼀位是1，则连续有多少个1，就表⽰当前字符占⽤多少个字节。
下⾯，还是以汉字严为例，演⽰如何实现 UTF-8 编码。
严的 Unicode 是4E25（100111000100101），根据上表，可以发现4E25处在第三⾏的范围内（0000 0800 - 0000 FFFF），因此严的 UTF-8编码需要三个字节，即格式是1110xxxx 10xxxxxx 10xxxxxx。然后，从严的最后⼀个⼆进制位开始，依次从后向前填⼊格式中的x，多出的位
补0。这样就得到了，严的 UTF-8 编码是11100100 10111000 10100101，转换成⼗六进制就是E4B8A5。
六、Unicode 与 UTF-8 之间的转换
通过上⼀节的例⼦，可以看到严的 Unicode码 是4E25，UTF-8 编码是E4B8A5，两者是不⼀样的。它们之间的转换可以通过程序实现。
Windows平台，有⼀个最简单的转化⽅法，就是使⽤内置的记事本⼩程序。打开⽂件后，点击⽂件菜单中的另存为命令，会跳出⼀个对话框，在最底部有⼀个编码的下拉条。
bg2007102801.jpg
⾥⾯有四个选项：ANSI，Unicode，Unicode big endian和UTF-8。
1）ANSI是默认的编码⽅式。对于英⽂⽂件是ASCII编码，对于简体中⽂⽂件是GB2312编码（只针对 Windows 简体中⽂版，如果是繁体中⽂版会采⽤ Big5 码）。
unicode码和ascii码区别2）Unicode编码这⾥指的是使⽤的 UCS-2 编码⽅式，即直接⽤两个字节存⼊字符的 Unicode 码，这个选项⽤的 little endian 格式。
3）Unicode big endian编码与上⼀个选项相对应。我在下⼀节会解释 little endian 和 big endian 的涵义。
4）UTF-8编码，也就是上⼀节谈到的编码⽅法。
选择完"编码⽅式"后，点击"保存"按钮，⽂件的编码⽅式就⽴刻转换好了。
七、Little endian 和 Big endian
上⼀节已经提到，UCS-2 格式可以存储 Unicode 码（码点不超过0xFFFF）。以汉字严为例，Unicode
码是4E25，需要⽤两个字节存储，⼀个字节是4E，另⼀个字节是25。存储的时候，4E在前，25在后，这就是 Big endian ⽅式；25在前，4E在后，这是 Little endian ⽅式。
这两个古怪的名称来⾃英国作家斯威夫特的《格列佛游记》。在该书中，⼩⼈国⾥爆发了内战，战争起因是⼈们争论，吃鸡蛋时究竟是从⼤头(Big-endian)敲开还是从⼩头(Little-endian)敲开。为了这件事情，前后爆发了六次战争，⼀个皇帝送了命，另⼀个皇帝丢了王位。
第⼀个字节在前，就是"⼤头⽅式"（Big endian），第⼆个字节在前就是"⼩头⽅式"（Little endian）。
那么很⾃然的，就会出现⼀个问题：计算机怎么知道某⼀个⽂件到底采⽤哪⼀种⽅式编码？
Unicode 规范定义，每⼀个⽂件的最前⾯分别加⼊⼀个表⽰编码顺序的字符，这个字符的名字叫做"零宽度⾮换⾏空格"（zero width no-break space），⽤FEFF表⽰。这正好是两个字节，⽽且FF⽐FE⼤1。
如果⼀个⽂本⽂件的头两个字节是FE FF，就表⽰该⽂件采⽤⼤头⽅式；如果头两个字节是FF FE，就表⽰该⽂件采⽤⼩头⽅式。
⼋、实例
下⾯，举⼀个实例。
打开"记事本"程序，新建⼀个⽂本⽂件，内容就是⼀个严字，依次采⽤ANSI，Unicode，Unicode big endian和UTF-8编码⽅式保存。
然后，⽤⽂本编辑软件UltraEdit 中的"⼗六进制功能"，观察该⽂件的内部编码⽅式。
1）ANSI：⽂件的编码就是两个字节D1 CF，这正是严的 GB2312 编码，这也暗⽰ GB2312 是采⽤⼤头⽅式存储的。
2）Unicode：编码是四个字节FF FE 25 4E，其中FF FE表明是⼩头⽅式存储，真正的编码是4E25。
3）Unicode big endian：编码是四个字节FE FF 4E 25，其中FE FF表明是⼤头⽅式存储。
4）UTF-8：编码是六个字节EF BB BF E4 B8 A5，前三个字节EF BB BF表⽰这是UTF-8编码，后三个E4B8A5就是严的具体编码，它的存储顺序与编码顺序是⼀致的。

版权声明：本站内容均来自互联网，仅供演示用，请勿用于商业和其他非法用途。如果侵犯了您的权益请与我们联系QQ:729038198，我们将在24小时内删除。