title: UTF-8, ASCII, Unicode 的介绍与区分 layout: post categories: 编程 tags: utf-8 ascii unicode
人类能通过肉眼识别文字和字符，并能通过知识了解他们的含义，但是计算机内部不论存储还是控制，都是通过二进制码实现，因为二进制的 0, 1 刚好对应基础电路中的开和关，然后组合进行复杂的系统控制；
将人类识别的字符转换成计算机识别的二进制数据的过程，叫做编码，顾名思义，编程二进制数字码，如 0101101100011001这样的；相反，就叫做解码，把二进制码解释为字符；
首先ASCII全称(American Standard Code for Information Interchange，美国信息交换标准代码)，是一个字符集，顾名思义，很多字符的集合；
像前面提到的，人类与计算机语言不通，一个识别字符，一个识别二进制，所以ASCII就充当了这样一个翻译官，其内容是编码与字符的映射，即一个字符只对应一个固定的编码，例如字符 A 的编码为 65，字符 a 的编码为 122；当然这个编码是十进制的，计算机内部把十进制转换成二进制就能供底层使用了；
另外需要知道的是，一字节(1 Byte)等于八比特位(8 bit)，8 bit就是这样的：01010101，八位二进制的所有不同表示一共 2^8 = 256 个，而且一般都是从 0 开始数，所以表示的十进制数的范围就是 0 - 255，这也是ASCII编码映射字符数的范围，包含大小写字母和一些其他常用的符号；
看完上面肯定就会疑惑ASCII总共才表示256个字符，怎么处理当今世界巨大的信息量的，由于这个字符集最初是老外发明的，表示所有字母和一些字符对他们当时来说可能很足够了，但是先进计算机遍布全球大部分地方，汉语、韩语、日语、阿拉伯语等语言数不过来，所以ASCII明显不够用了；虽然中国之前也制定了是和中文的编码字符集叫 GB2313 等系列；
因此，便顺应时代需要产生了一种更庞大的字符集叫 Unicode，有时也叫万国码，顾名思义，几乎表示了世界上所有语言的字符，可以理解为 Unique code，独一无二的的编码；
目前Unicode的编码范围达到了21位，即 0x0000 - 0x10ffff 的范围，二进制为 1 0000 1111 1111 1111 1111，刚好21位；十进制表示为 1114111，就是一百万多个字符，已经相当多了；
如果要使用UNIcode，以在 HTML 中为例，假如知道一个字符的Unicode码是 0x0394,那么就在标签中添加代码：
Δ
放在标签中就是：
<h5>这个Unicode码对应的字符是：Δ</h5>
结果是这样：
<h5>这个Unicode码对应的字符是：Δ</h5>
其实那个Unicode编码就是对应的大小希腊字母德尔塔，数学或物理中经常用到的字符；
也可以用 JavaScript 来遍历一部分Unicode与字符的对应关系：
for (i = 0x0000; i <= 0x00ff; i++) {
document.write(i + ': &#x' + i + ';<br>');
}
页面就会出现前256个字符及其Unicode码；
首先UTF全称(Unicode Transformation Format)，所以它是一种针对前面提到的Unicode的编码格式，常见的格式就是 UTF-8，还有 UTF-16, UTF-32；
UTF-8 其中的 8 表示的是 8 bit，即Unicode中每8位表示一个字符，UTF-16 和 UTF-32 类似，因为Unicode最多才21位，32位大于21位，所以 UTF-32 的格式就可以表示所有字符对应的Unicode码了，但是呢，32位也就是4字节，让每个字符都占用4字节太费空间了，所以出现了UTF-8和UTF-16;
UTF-8 定义 0 - 7 bit 的 Unicode 用一字节表示，这里就与ASCII一样了，8 - 11 bit 用两字节表示，12 - 16 bit 用三字节表示，17 - 21 bit 用四字节表示;
UTF-8 编码规则如下：
<style> table th, table td { border: 2px solid black; } </style> | Unicode | bit | UTF-8 | byte | |:---------------:|:------:|:----------|:--------:| | 0x0000 - 0x007f | 0 - 7 | 0XXX XXXX | 1 | | 0x0080 - 0x07ff | 8 - 11 | 110X XXXX 10XX XXXX | 2 | | 0x0800 - 0xffff | 12 - 16 | 1110 XXXX 10XX XXXX 10XX XXXX | 3 | |0x1 0000 - 0x1f ffff|17 - 21|1111 0XXX 10XX XXXX 10XX XXXX 10XX XXXX|4|
规律是：
0XXXX XXXX；1 和一个 0，后面的字节高位添加 10；1 再加上一个 0，其余字节高位添 10；可以看出 UTF-8 这种针对不同位数使用不同字节数编码的方式有效的利用了空间，避免了一些浪费，当然，事物都有利弊，空间降下去，时间也就升上去了；