---
date: 2021-10-04
---


- [ASCII 码](#ascii-码)
- [非 ASCII 编码](#非-ascii-编码)
- [Unicode](#unicode)
  - [问题](#问题)
- [UTF-8](#utf-8)
- [程序验证](#程序验证)
- [总结](#总结)
- [参考链接](#参考链接)
- [GitHub 项目](#github-项目)

# ASCII 码

计算机内部，所有信息最终都是一个`二进制值`。每一个二进制位（bit）有 0 和 1 两种状态，因此八个二进制位就可以组合出 256 种状态，这被称为一个字节（byte）。也就是说，一个字节一共可以用来表示 256 种不同的状态，每一个状态对应一个符号，就是 256 个符号，从 00000000 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，做了统一规定。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，比如空格 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，最前面的一位统一规定为 `0`。

# 非 ASCII 编码

英语用 128 个符号编码就够了，但是用来表示`其他语言`，128 个符号是不够的。比如，在法语中，字母上方有注音符号，它就无法用 ASCII 码表示。于是，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。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，可以表示最多 256 个符号。

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。

# 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 [unicode.org](https://home.unicode.org/)，或者专门的 [汉字对应表](http://www.chi2ko.com/tool/CJK.htm)。

![](http://yano.oss-cn-beijing.aliyuncs.com/blog/20211004113235.png?x-oss-process=style/yano)

## 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：
- 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？
- 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。

# 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。

```
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。

# 程序验证

使用 Java 单元测试，测试汉字“严”的 UTF-8 编码，测试代码如下：

```java
@Test
public void testUtf8() {
    String s = "严";
    byte[] bytes = s.getBytes(StandardCharsets.UTF_8);
    System.out.println(Arrays.toString(bytes));
    for (byte b : bytes) {
        System.out.print(Integer.toBinaryString(b).substring(24, 32) + " ");
    }
}
```

输出结果为：

```
[-28, -72, -91]
11100100 10111000 10100101 
```

我们可以看到和上述分析一致。编码为`11100100 10111000 10100101`，第一个字节 11100100，前三位为 1，标识这个 Unicode 一共有 3 位。11100100 去掉前 3 位，10111000 去掉前 2 位，10100101 去掉前 2 位，最终字符编码为 1001110 00100101，即为最终的 Unicode 编码 4E25。

# 总结

- ASCII 编码只能表示 127 个字符，表示英文足够，但是无法表示其他语言字符；
- Unicode 是所有符号的编码，是一个很大的集合，只规定了符号的二进制代码，并没有规定这些二进制代码应该如何存储；
- UTF-8 是一种变长的编码方式，是 Unicode 的实现方式之一。

# 参考链接

- [字符编码笔记：ASCII，Unicode 和 UTF-8
](https://www.ruanyifeng.com/blog/2007/10/ascii_unicode_and_utf-8.html)
- [字符串和编码
](https://www.liaoxuefeng.com/wiki/1016959663602400/1017075323632896)
- [字体编辑用中日韩汉字 Unicode 编码表](http://www.chi2ko.com/tool/CJK.htm)

# GitHub 项目

[Java 编程思想-最全思维导图-GitHub 下载链接](https://github.com/LjyYano/Thinking_in_Java_MindMapping)，需要的小伙伴可以自取~

原创不易，希望大家转载时请先联系我，并标注原文链接。