字符编码(ASCII，Unicode和UTF-8) 和 大小端

 

本文包括2部份内容：“ASCII，Unicode和UTF-8” 和 “Big Endian和Little Endian”。

第1部分 ASCII，Unicode和UTF-8 介绍

1. ASCII码

咱们知道，在计算机内部，全部的信息最终都表示为一个二进制的字符串。每个二进制位（bit）有0和1两种状态，所以八个二进制位就能够组合出256种状态，这被称为一个字节（byte）。也就是说，一个字节一共能够用来表示256种不一样的状态，每个状态对应一个符号，就是256个符号，从0000000到11111111。

上个世纪60年代，美国制定了一套字符编码，对英语字符与二进制位之间的关系，作了统一规定。这被称为ASCII码，一直沿用至今。

ASCII码一共规定了128个字符的编码，好比空格"SPACE"是32（二进制00100000），大写的字母A是65（二进制01000001）。这128个符号（包括32个不能打印出来的控制符号），只占用了一个字节的后面7位，最前面的1位统一规定为0。

 

二、非ASCII编码

英语用128个符号编码就够了，可是用来表示其余语言，128个符号是不够的。好比，在法语中，字母上方有注音符号，它就没法用ASCII码表示。因而，一些欧洲国家就决定，利用字节中闲置的最高位编入新的符号。好比，法语中的é的编码为130（二进制10000010）。这样一来，这些欧洲国家使用的编码体系，能够表示最多256个符号。

可是，这里又出现了新的问题。不一样的国家有不一样的字母，所以，哪怕它们都使用256个符号的编码方式，表明的字母却不同。好比，130在法语编码中表明了é，在希伯来语编码中却表明了字母Gimel (ג)，在俄语编码中又会表明另外一个符号。可是无论怎样，全部这些编码方式中，0--127表示的符号是同样的，不同的只是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，确定是不够的，就必须使用多个字节表达一个符号。好比，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，因此理论上最多能够表示256x256=65536个符号。

中文编码的问题须要专文讨论，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，可是GB类的汉字编码与后文的Unicode和UTF-8是毫无关系的。

 

3.Unicode

正如上一节所说，世界上存在着多种编码方式，同一个二进制数字能够被解释成不一样的符号。所以，要想打开一个文本文件，就必须知道它的编码方式，不然用错误的编码方式解读，就会出现乱码。为何电子邮件经常出现乱码？就是由于发信人和收信人使用的编码方式不同。

能够想象，若是有一种编码，将世界上全部的符号都归入其中。每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，这是一种全部符号的编码。

Unicode固然是一个很大的集合，如今的规模能够容纳100多万个符号。每一个符号的编码都不同，好比，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，能够查询unicode.org，或者专门的汉字对应表。

 

4. Unicode的问题

须要注意的是，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。

好比，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须要2个字节。表示其余更大的符号，可能须要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，咱们已经知道，英文字母只用一个字节表示就够了，若是Unicode统一规定，每一个符号用三个或四个字节表示，那么每一个英文字母前都必然有二到三个字节是0，这对于存储来讲是极大的浪费，文本文件的大小会所以大出二三倍，这是没法接受的。

它们形成的结果是：1）出现了Unicode的多种存储方式，也就是说有许多种不一样的二进制格式，能够用来表示Unicode。2）Unicode在很长一段时间内没法推广，直到互联网的出现。

 

5.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。其余实现方式还包括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最大的一个特色，就是它是一种变长的编码方式。它可使用1~4个字节表示一个符号，根据不一样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。所以对于英语字母，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概设为10。剩下的没有说起的二进制位，所有为这个符号的unicode码。

下表总结了编码规则，字母x表示可用编码的位。

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

跟据上表，解读UTF-8编码很是简单。若是一个字节的第一位是0，则这个字节单独就是一个字符；若是第一位是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，仍是以汉字"严"为例，演示如何实现UTF-8编码。

已知"严"的unicode是4E25（100111000100101），根据上表，能够发现4E25处在第三行的范围内（0000 0800-0000 FFFF），所以"严"的UTF-8编码须要三个字节，即格式是"1110xxxx 10xxxxxx 10xxxxxx"。而后，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。这样就获得了，"严"的UTF-8编码是"11100100 10111000 10100101"，转换成十六进制就是E4B8A5。

 

第2部分 big endian 和 little endian介绍

big endian(大端法)是指低地址存放最高有效字节（MSB），而little endian(小端法)则是低地址存放最低有效字节（LSB）。

经过文字理解可能比较抽象，下面用图像加以说明。下图是“0x12345678在两种字节序中的存储顺序”：

Big Endian

   低地址                                            高地址
   ----------------------------------------->
   +-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+
   |     12     |      34    |     56      |     78    |   
   +-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+

说明：上面是0x12345678对应big endian的存储方式。

(01) 0x12345678是int整数，它共有4个字节：分别是0x12, 0x34, 0x56, 0x78；其中，0x12是最高有效字节，0x78是最低有效字节。int占4个字节，这个是常识；0x12是十六进制的表示方式，0x12对应的二进制是00010010，正好是8位，也就是1个字节；所以0x12, 0x34, 0x56, 0x78共是4个字节。

(02) big endian是将最高有效字节存储在低地址中，由于就是0x12(最高有效地址)，存在低地址；那么，从低往高地址依次存放0x12  -->  0x34 -->  0x56  --> 0x78。也就是上面图像中的存储方式。

Little Endian

   低地址                                            高地址
   ----------------------------------------->
   +-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+
   |     78     |      56    |     34      |     12    |   
   +-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+

说明：上面是0x12345678对应little endian的存储方式。

(01) 0x12345678是int整数，它共有4个字节：分别是0x12, 0x34, 0x56, 0x78；其中，0x12是最高有效字节，0x78是最低有效字节。

(02) little endian是将最低有效字节存储在低地址中，由于就是0x78(最低有效地址)，存在低地址；从低往高地址依次存放0x78 --> 0x56  -->  0x34 -->  0x12。也就是上面图像中的存储方式。 

big endian 和 little endian判断方式

下面，咱们经过示例程序来判断CPU是大端存储仍是小端存储。
源码以下(endian.c)：

void main() {
    int i = 0x12345678;
    char* pc = (char*)&i;
    if (*pc == 0x12) {
        printf("Big Endian\n");
    } else if (*pc == 0x78) {
        printf("Little Endian\n");
    }   
}

我在ubuntu12.04系统下，运行的结果是“Little Endian”。

  

---

参考文献：字符编码笔记：ASCII，Unicode和UTF-8

更多内容：

01. skywang的博客目录(持续更新中...)

02. Java 集合系列目录(Category)