1.ascii
我們知道,計算機內部,所有資訊最終都是乙個二進位制值。每乙個二進位制位(bit)有0和1兩種狀態,因此八個二進位制位就可以組合出256種狀態,這被稱為乙個位元組(byte)。也就是說,乙個位元組一共可以用來表示256種不同的狀態,每乙個狀態對應乙個符號,就是256個符號,從00000000到11111111。
上個世紀60年代,美國制定了一套字元編碼,對英語字元與二進位制位之間的關係,做了統一規定。這被稱為 ascii 碼,一直沿用至今。
ascii 碼一共規定了128個字元的編碼,比如空格space是32(二進位制00100000),大寫的字母a是65(二進位制01000001)。這128個符號(包括32個不能列印出來的控制符號),只占用了乙個位元組的後面7位,最前面的一位統一規定為0。
2.非ascii編碼
英語用128個符號編碼就夠了,但是用來表示其他語言,128個符號是不夠的。比如,在法語中,字母上方有注音符號,它就無法用 ascii 碼表示。於是,一些歐洲國家就決定,利用位元組中閒置的最高位編入新的符號。比如,法語中的é的編碼為130(二進位制10000010)。這樣一來,這些歐洲國家使用的編碼體系,可以表示最多256個符號。
但是,這裡又出現了新的問題。不同的國家有不同的字母,因此,哪怕它們都使用256個符號的編碼方式,代表的字母卻不一樣。比如,130在法語編碼中代表了é,在希伯來語編碼中卻代表了字母gimel (ג),在俄語編碼中又會代表另乙個符號。但是不管怎樣,所有這些編碼方式中,0--127表示的符號是一樣的,不一樣的只是128--255的這一段。
至於亞洲國家的文字,使用的符號就更多了,漢字就多達10萬左右。乙個位元組只能表示256種符號,肯定是不夠的,就必須使用多個位元組表達乙個符號。比如,簡體中文常見的編碼方式是 gb2312,使用兩個位元組表示乙個漢字,所以理論上最多可以表示 256 x 256 = 65536 個符號
中文編碼的問題需要專文討論,這篇筆記不涉及。這裡只指出,雖然都是用多個位元組表示乙個符號,但是gb類的漢字編碼與後文的 unicode 和 utf-8 是毫無關係的。
3.unicode
正如上一節所說,世界上存在著多種編碼方式,同乙個二進位制數字可以被解釋成不同的符號。因此,要想開啟乙個文字檔案,就必須知道它的編碼方式,否則用錯誤的編碼方式解讀,就會出現亂碼。為什麼電子郵件常常出現亂碼?就是因為發信人和收信人使用的編碼方式不一樣。
可以想象,如果有一種編碼,將世界上所有的符號都納入其中。每乙個符號都給予乙個獨一無二的編碼,那麼亂碼問題就會消失。這就是 unicode,就像它的名字都表示的,這是一種所有符號的編碼。
unicode 當然是乙個很大的集合,現在的規模可以容納100多萬個符號。每個符號的編碼都不一樣,比如,u+0639表示阿拉伯字母ain,u+0041表示英語的大寫字母a,u+4e25表示漢字嚴。具體的符號對應表,可以查詢unicode.org,或者專門的漢字對應表。
4.unicode的問題
需要注意的是,unicode 只是乙個符號集,它只規定了符號的二進位制**,卻沒有規定這個二進位制**應該如何儲存。
比如,漢字嚴的 unicode 是十六進製制數4e25,轉換成二進位制數足足有15位(100111000100101),也就是說,這個符號的表示至少需要2個位元組。表示其他更大的符號,可能需要3個位元組或者4個位元組,甚至更多。
這裡就有兩個嚴重的問題,第乙個問題是,如何才能區別 unicode 和 ascii ?計算機怎麼知道三個位元組表示乙個符號,而不是分別表示三個符號呢?第二個問題是,我們已經知道,英文本母只用乙個位元組表示就夠了,如果 unicode 統一規定,每個符號用三個或四個位元組表示,那麼每個英文本母前都必然有二到三個位元組是0,這對於儲存來說是極大的浪費,文字檔案的大小會因此大出二三倍,這是無法接受的
它們造成的結果是:1)出現了 unicode 的多種儲存方式,也就是說有許多種不同的二進位制格式,可以用來表示 unicode。2)unicode 在很長一段時間內無法推廣,直到網際網路的出現。
5.utf-8
網際網路的普及,強烈要求出現一種統一的編碼方式。utf-8 就是在網際網路上使用最廣的一種 unicode 的實現方式。其他實現方式還包括 utf-16(字元用兩個位元組或四個位元組表示)和 utf-32(字元用四個位元組表示),不過在網際網路上基本不用。重複一遍,這裡的關係是,utf-8 是 unicode 的實現方式之一。
utf-8 最大的乙個特點,就是它是一種變長的編碼方式。它可以使用1~4個位元組表示乙個符號,根據不同的符號而變化位元組長度。
utf-8 的編碼規則很簡單,只有二條:
1)對於單位元組的符號,位元組的第一位設為0,後面7位為這個符號的 unicode 碼。因此對於英語字母,utf-8 編碼和 ascii 碼是相同的。
2)對於n位元組的符號(n > 1),第乙個位元組的前n位都設為1,第n + 1位設為0,後面位元組的前兩位一律設為10。剩下的沒有提及的二進位制位,全部為這個符號的 unicode 碼。
ASCII Unicode和UTF字元編碼區別
計算機的cpu是由晶體二極體組成,只有開關兩種狀態,因此計算機只能識別0和1。計算機的乙個開或關狀態稱為乙個bit,若干個bit可以組成最基本的儲存單元byte,因此人類的各種語言就可以用byte儲存起來並約定一一對應表示,這種以二進位制來表示符號的過程就叫做編碼。1 ascii american ...
ASCII,Unicode和UTF等字元編碼
ascii american standard code for information interchange 美國資訊交換標準碼,主要是對美國等國家使用的英文本母等字符集進行編碼,為每個字元分配乙個ascii碼。ascii碼範圍是0到127,在計算機中使用乙個位元組儲存,其中最高位是0,其餘位為...
UT測試方法
目錄 ut測試 一 gtest框架 二 打樁 三 用例統計 四 覆蓋率統計 引用庫gtest c c 打樁 編譯選項新增 fprofile arcs ftest coverage,生成可執行檔案ut proc 執行生成的ut 可執行檔案 ut proc gtest output xml test u...