各编码格式略谈

1、ASCII

       计算机和网络这东西嘛，大家都知道，发源于美国，而美国呢是用英语的，而英语呢——嗯，算着大小写，字母总共就52个，再加上些别的符号，也不会很多，当通信在美国萌芽的时候，需要表示的符号并没有多少，用8位也就足够了，标准ASCII码在这时应运而生了。每个字符它只用一个字节（即8位）来表示，说得更详细些，其实只用了最低的7位，最高位是用来做校验的。此后，这个ASCII码表示规范成为了国际标准。

       举例，小写字母a，它的ASCII码用二进制来表示是 0110  0001，用十进制表示也就是97，最高位（最左一位）为0。

       注意：在标准ASCII码中最高位始终是0，但是在传输时，为了奇偶校验（不懂的请百度），这一位可能会改变。

2、扩展ASCII码

       好了，ASCII码已经可以表示英语里所有字符和很多其他字符了，够美国人用了，可后来呢——计算机这玩意儿越来越普及了，其他欧美国家也可以发展了，他们发现自己国家的文字在ASCII码里根本就没有，毕竟ASCII码就那么128个。好了，再扩展一下吧-----把最高位也利用起来，不用它来做奇偶校验了。于是IBM又把ASCII码一下又扩展出了128个，总共可以表示256个字符了。它把值为128-255之间的字符用于画图和画线，以及一些特殊的欧洲字符。同时，还有另一部分人，把128--255之间当做了别的用途，比如用于拉丁字母表中特殊语言字符的编码（ISOLatin-1标准）。所以，扩展出的这128个码具体表示哪个字符有多个标准，因此扩展ASCII码就不是国际标准了，没有一个统一的标准。

3、GBK

      当计算机来到中国的时候，庞大的汉字数量需要一套全新的支持汉字的编码规范。

      GB2312：与ASCII码兼容，也就是当表示英文字符这种ASCII码中存在的字符时，仍采用一个字节表示；当表达汉字时，采用两个字节表示，高字节叫“区”，低字节叫“位”，且区和位的首位都是1，如 10100010,11000110，这样当解析字符时一旦读到一个字节的最高位是1就知道了----后面的那个字节跟它是配对的，它俩组成一个字符-----因为当最高位是0时，肯定是原ASCII码字符。

      GBK：GB2313之后发现这样编码还是不够用，那就干脆规定，“区”的最高位仍是1，“位”的最高位不限制了，因为这样也并不影响解读。于是在GB2312的基础上又扩展出了GBK规范。

      GBK18030：GBK之后还是不够用，再扩展，又出了GBK18030。

4、UNICODE

      再后来，越来越多国家的文字需要支持，而且各个国家自己定义的规范与别国的都是不兼容的，这时unicode出现了，它不考虑其他国家已自定义的各种规范----它要为全球定义一个通用的规范，”Universal Multiple-Octet Coded Character Set”，简称 UCS, 俗称 “UNICODE”。并且这个标准是兼容ISO Latin-1的，当然，也是兼容ASCII规范的。还以小写的a举例，在ASCII码中a的数字值是97，那么在unicode中仍规定a对应的数字是97。

       刚才在百度“UNICODE”时，看到百度百科里说-----Unicode 编码包含了不同写法的字，如“ɑ/a”、“户/户/戸”，又说----在文字处理方面，统一码为每一个字符而非字形定义唯一的代码（即一个整数）。换句话说，统一码以一种抽象的方式（即数字）来处理字符，并将视觉上的演绎工作（例如字体大小、外观形状、字体形态、文体等）留给其他软件来处理，例如网页浏览器或是文字处理器。

           读来读去，总觉这段话自相矛盾，既然包含了不同写法的字，那就应该是为这些不同写法的字每个都配了相应的代码吧？那后面又怎么说“为每一个字符而非字形定义唯一的代码”？它的意思大概是----大家记不记得有些特别另类的汉字，当做同一个字来用但是写起来差别特别大，这种现象好像叫“变体”。我举不出例子，但是咱就来个假设吧，例如，假设“品”字就是“码”字的变体，写“编码”正确，写“编品”也同样正确，此时“码”和“品”除了写法不一样，其他，包括字义、用法、读音全部一样。实际在unicode中就是看做是两个字了，它们有各自对应着的数字。

      值得注意的一点是，unicode里的字符并不一定占用两个字节，实际上，unicode只是一个规定，它规定一个符号跟哪一个数字对应，简而言之，它用一个数字映射一个字符，但是没有规定在计算机里你怎样去保存这个数字。unicode跟字节是没有必然联系的，只是这个规范是跑在计算机上的，当这个规范实现的时候也就和字节发生了联系，因为数据在计算机里就是用字节存储的。举个例子，假设unicode规定“京”这个字对应着数字325，Unicode实现规范A可能这样在计算机里实现：用三个字节，三个字节分别表示百、十、个位，即00000011,00000010,00001010，而B则这样实现：我尽量用较少的空间表示，325超出了一个字节的表示范围，但可以用两个字节表示，于是B这样表示325----00000001，01000101，看！同样表示325，不同的实现方式就会占用不同的字节数。UTF-8，UTF-16就是unicode的不同实现，打个比方，unicode是个接口，UTF-8和UTF-16就是它的实现类。