字符编码中的一些概念辨析

ASCII码

在计算机内部，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成256种状态，这被称为一个字节（byte）。一个字节一共可以用来表示256中不同的状态，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，座椅统一规定。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，最前面的第一位统一规定为0）。

非ASCII编码

英语使用了128个符号编码，对于其他语言来说，128个符号是不够的，所以很多国家决定，利用字节中闲置的最高位编入新的符号。这样一来，这些国家使用的编码体系，可以表示最多256个符号。
不过不同的国家有不同的字母，所以他们的编码内容不一定相同。但是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这段。

Unicode

世界上存在这多种编码方式，同一个二进制数字可以被解释成不同的符号。因此，想要打开一个文本文件，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。
Unicode是一个很大的集合，它限制可以容纳100多万个符号，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。具体的符号对应表，可以查询unicode.org，或者专门的汉字对应表。

Unicode的问题

Unicode只是一个符号集，它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。
这产生了两个严重的问题，第一个是，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，而不是分步表示三个符号呢？第二个问题是，英文字母只用一个字节表示就够了，如果Unicode统一规定，每个符号用三个火四个字节表示，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。
这些问题造成的结果是：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）。
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有两条编码规则：
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。因此对于英文字母，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。

Little endian和Big endian

Unicode码可以采用UCS-2格式直接存储。
以汉字“严”为例，Unicode码是4e25，需要用两个字节存储，一个字节是4E，另一个字节是25。存储的时候，4E在前，25在后，就是Big endian（大端）方式；25在前，4E在后，就是Little endian（小端）方式。
为了让计算机知道某个文件到底采用哪一种编码方式。Unicode规范中定义，每一个文件的最前面分别加入一个表示编码顺序的字符，这个字符叫“零宽度非换行空格”（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端方式；如果是FF FE，就表示该文件采用小端方式。

摘自字符编码中ASCII、Unicode和UTF-8的区别，有删改。