“ 代碼都是寫給人看的，計算機隻識别0、1二進制數據。”

正如昨天從字符編碼的背景說起，說到了字符集。今天我們就接着說說字符編碼，以及以“國”字為例，來說說字符編碼，解碼的過程。

01

—

字符編碼

字符編碼是一套法則，使用該法則能夠對自然語言的字符的一個集合（如字母表或音節表），與其他東西的一個集合（如号碼或電脈沖）進行配對。即在符号集合與數字系統之間建立對應關系，它是信息處理的一項基本技術。換句話說：字符編碼就是将符号轉換為計算機可以接受的數字系統的數，稱為數字代碼。

從第一篇中的截圖也能看出，一個字符集，其實就是數字地址和其對應文字、符号之間對應關系。字符集本身就有字符編碼的功能。下來重點要說下UTF-8。

由于Unicode對某些字符來說，占用字節太多，太浪費空間。所以，人們設計可變長的UTF-8編碼規則來節省存儲空間。UTF-8一種針對Unicode的可變長度字符編碼（定長碼），也是一種前綴碼。它可以用來表示Unicode标準中的任何字符，且其編碼中的第一個字節仍與ASCII兼容。

UTF-8的編碼規則很簡單，隻有二條：

第一，對于單字節的符号，字節的第一位設為0，後面7位為這個符号的Unicode碼。因此對于英語字母，UTF-8編碼和ASCII碼是相同的。

第二，對于n字節的符号（n>1），第一個字節的前n位都設為1，第n 1位設為0，後面字節的前兩位一律設為10。剩下的沒有提及的二進制位，全部為這個符号的Unicode碼。

02

—

一個示例

下來，我們做一個示例。用來形象的展現下，文本編碼之間的轉換關系。還是用我們中國的“國”字來舉例：由于是中文，那麼這個“國”字，肯定在ASCII碼裡面不存在的；在ISO-8859-1裡面也不存在的。

我們來看看“國”字在GBK裡面的地址：從上面的截圖能看到16進制地址是：B9FA。轉換成2進制，就是10111001 11111010。而B9FA在Unicode字符集裡面是一個朝鮮文。

而這一串二進制10111001 11111010 不符合UTF-8編碼規則，所以在UTF-8裡面找不到對應字符。

而“國”字在Unicode裡面的字符16進制地址是：56FD。轉成二進制：00000000，00000000，01010110，11111101

那麼這個二進制，如果用UTF-8實現的話，邏輯應該是怎麼樣的呢？這個二進制串，有15位。那麼在UTF-8裡面用幾個字節來存放呢？

第一步：将上面二進制數據從低往高按照UTF-8規則來一位一位存放。

第二步：繼續從低往高存放位數據：

第三步結束後發現，在UTF-8裡面，3個字節就可以存儲下對應的Unicode中的“國”字。

如上圖，灰色，表示UTF-8規則，第一個字節，3個1，表示有3個字節。第3 1位為0。淡紅色的0表示高位補0。綠色表示Unicode編碼用UTF-8編碼實現的數據位。

也就是這個二進制，111001011001101110111101。轉換為16進制後為：E59BBD

校驗：我們通過網絡工具，來查看下，“國”字UTF-8編碼的二進制，如下圖：

UTF-8編碼轉16進制，如下圖：

可見，二進制，16進制，和我們自己推算出來的結果完全一緻。

而如果用E59BBD地址，反過來在GBK字符集裡面查找的話，确是什麼都查找不到的。

由于GBK字符集總共有23940個碼位。其中收錄漢字和圖形符号21886個。而E59BBD 10進制數字為：15047613。遠遠超過23940這個數字。故此，用E59BBD在GBK裡面查找對應内容，肯定什麼都查不到。

回到文首說的“新聞”=>“鏂伴椈”這個問題，就很容易解釋了。“新聞” 兩個字UTF-8編碼16進制數據為：“E696B0 E997BB”。在UTF-8轉換成GBK編碼過程中，由于GBK是雙字節編碼，所以，上述16進制數據變成3個字符“E696”、“B0E9”、“97BB”。而這三個字符，在GBK字符集中對應的字符就是“鏂”、“伴”、“椈”。所以就會表現出切換編碼格式後，“新聞” 變成 “鏂伴椈” 這種表象。

經過這一番分析，舉例。我們對什麼是ASCII，什麼是GBK，什麼是Unicode，什麼是UTF-8可能了解的更清晰，更透徹一些了。

更多精彩资讯请关注tft每日頭條，我们将持续为您更新最新资讯!