程序员都应该知道的编码知识有哪些(程序员编码)
导语：程序员都应该知道的编码知识！
来源丨花括号MC(huakuohao-mc)
如有侵权，请联系删除~
在谍战剧里，我们经常看到这样一个桥段，特工人员，千辛万苦拿到一条信息，打开一看是一串数字，然后赶紧跑到一个秘密地方，拿出一个密码本（也可能是一本唐诗选），按照一定规则（只有自己人知道），比如第一个数字表示页数，第二个数字表示行数，第三个数字表示第几个字，逐一将信息翻译出来。如果这个过程中用了错误的密码本，或者不知道规则，那么将会解码失败。
计算机的编解码过程跟上面的过程是一样一样的。
计算机只认 0 和 1，所有的影像和字符最终都会转换成计算机能够认识的二进制。一个二进制位（bit）可以表示两种状态 0 和 1，一个字节(byte)由八个二进制位组成，所以一个字节一共可以表示256（2^8）种状态。如果我们规定每种状态代表一个字符，那么一个字节就可以表达出 256 个字符。
一、ASCII计算机是由美国人发明的，所以在最初设计编码的时候，就只考虑了英文的编码。英文字符很少，加上一些特殊字符，一共也就100个左右，确切的说是128个。这样的话用一个字节进行编码就完全够了，不仅够用了，而且还富裕出一位，即第一位一直没有参与编码，统一定为 0。这就是所谓的 ASCII 编码。在 ASCII 编码中，空格SPACE是32（二进制 00100000 ），大写的字母 A 是 65 （二进制01000001）。
二、非ASCII随着计算机的普及，欧洲也开始普及计算机，欧洲人发现 ASCII 规定的 128 个字符不能满足他们的使用，比如，在法语中，字母上方有注音符号，就无法用 ASCII 码表示。于是，一些欧洲国家就决定，把字节中闲置的第一位编入新的符号。比如，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，最多可以表示 256 个符号。这就是大家经常见到的ISO-8859-1 编码，也叫Latin1 编码。
三、中文编码随着计算机的普及，国人也开始使用计算机，但是发现按照之前的编码方式，根本就没有汉字什么事儿，也就是计算机根本没办法认识汉字。
1）GB2312
为了能够让计算机认识汉字，我们决定对汉字进行编码，本着敢想敢干的精神，我们规定用两个字节表示一个汉字。具体规则是这样的：一个小于 127 的字节代表的意义与原来的 ASCII 相同，但两个大于127的字节连在一起时，就表示这是一个汉字，前面的一个字节称为高字节，后面一个字节称为低字节，这样我们就可以组合出6763 个简体汉字。这就是大家常说的GB2312 编码。
2）GBK
很显然 GB2312 编码的 6763 个汉字，并不能适应所有的使用场景，比如“喆”字就不再其中，于是在 GB2312 的基础上又进行了新的扩展，规定只要第一个字节是大于 127 的就OK，至于第二个字节是大于 127 还是小于 127 都无所谓了。经过这样的改动之后，收录的汉字及符号就可以达到 2W 多个，这就是我们常说的GBK 编码。
再后来，人们继续对第二个字节进行扩展，发展出了 GB18030 编码，比 GBK 又多出了一些字符编码。
至此，所有的汉字编码都是用两个字节表示的，但是英文是用一个字节表示。上了一些年纪的程序员都体验过，一个汉字算两个英文字符的经历。
3）BIG-5
上面提到的都是简体中文编码，虽然 GBK 及 GB18030 包含了部分繁体字，但是也不全面，于是台湾同胞就发了专门支持繁体字的 Big5 编码，也就是大家经常说的大五码。
四、一个小问题不知道大家有没有注意到一个问题，在单字节编码的时候，对于那些大于 127 小于 256 的编码，在不同的国家代表的字母很可能不一样。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。在汉字的双字节编码中也存在这样的问题，比如BIG5编码跟GBK 编码都是双字节编码，但是代表的汉字却不一样。
这就相当于，同样一串二进制数值，A特工组织按照他们的规则解析出来可能是“你好”，而B特工组织按照他们的规则解析出来可能是“滚蛋”。特工组织之间的翻译标准不一样是相当有必要的，但是计算机的编码规则如果各不相同就比较麻烦了。比如你跟台湾的志玲姐姐聊天，志玲姐姐用BIG5 编码给你发了一封信，然后你用 GBK 去解码，……，也许就没有然后了。
五、Unicode为了解决上面的问题，有个叫ISO 的国际标准组织，决定放弃所有区域性编码，如BIG5，GBK 等，重新制定一个新的编码，这个编码集将包含所有字符的编码，这样大家就都统一了，这套编码的英文全称“Universal Multiple-Octet Coded Character Set”，简称UCS, 俗称 “Unicode”。Unicode 的出现相当于秦始皇对度量衡跟货币进行了统一。
Unicdoe 按照日常字符的使用频繁度划分了17 个平面，编号为0-16 ，0 号平面称为基本多语言平面（Basic Multilingual Plane，简称 BMP ），包含了日常使用最频繁的字符，编码范围从0000 到 FFFF，这样该平面可以表示2^16=65536 个字符；其它平面的编码范围也是从0000 到 FFFF，所以其它平面也可以编码 65535 个字符，这样 17 个平面一共可以编码 17×65,536 = 1,114,112 个符号。
我们最常用的 Unicode 编码使用的是多语言平面的编码，即所有字符都用两个字节进行编码（其它平面可能需要三个或四个字节）。举个例子比如中国的‘中&39;的 Unicode 码是 0061.
这里面存在两个问题，如果所有英文字符都是按照 Unicode 编码，那么会出现浪费存储空间的问题。明明一个字节可以搞定的事情，偏偏要用两个字节。第二个问题就是计算机如何知道这是Unicode 编码还是ASCII 编码，也就是2 个字节表示的一个字符，还是2 个字符呢。
六、UTFUTF 的全称是Unicode Transformation Format，也就是Unicode 的转换格式。上面提到了，如果直接使用 Unicode 码进行存储会存在浪费空间的问题，而UTF-8 的出现就是为了解决该问题，UTF-8 使用变长的方式存储 Unicode 码，也就是英文字符继续使用一个字节进行存储，但是汉字要使用 3 个字节。那么UTF-8 是如何做到的呢。
首先，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。
其次，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 代表可用的编码位。
根据上表，对UTF-8 编码进行解读会发现，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。
举个例子
假设“hello世界”这样一个字符串，他们的 Unicode 的编码分别是
1h--00682e--00653l--006C4l--006C5o--006F6世--4E167界--754C按照 UTF-8 的编码规则可以得到如下UTF-8 编码
1h--011010002e--011001013l--011011004l--011011005o--011011116世--11100100-10111000-100101107界--11100111-10010101-10001100可以看到用UTF-8 编码之后，英文字符占用一个字节，而汉字占用了三个字节，一共需要 11个字节，而如果直接存储 Unicode 码则需要 14 个字节。UTF-8 编码对于英文来说节省了很大空间，但是对于中文来说增加了空间。
七、Little endian 和 Big endian上面提到Unicode 是用两个字节表示字符，如果第一个字节在前，就是“大端方式&34;（Little endian）。‘世&34;（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、总结UTF-8 编码是基于Unicode 字符集的一种编码实现。现在几乎所有的编程语言和操作系统都支持 Unicode 编码，使用Unicode 编码之后，再也不会出现上文提到的一个汉字等于两个英文字符的尴尬局面。
GBK，BIG5 等都属于区域性编码只能在固定范围内使用，比如GBK 只适合在简体中文环境使用，虽然 GBK 相比于UTF-8 更节省空间，但现在全世界都变成地球村了，所以还是建议大家都使用UTF-8 编码。
ANSI：在window下，如果我们用记事本打开文档，经常会见到ANSI 编码方式，这是Windows 默认的编码方式。对于英文文档采用ASCII编码，对于简体中文文档采用 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）。
喜欢请多多关注易杰智科技！
本文内容由快快网络小馨整理编辑！