ASCII、Unicode、UTF-8编码

今天看廖雪峰Python3基础教程中，有一节介绍ASCII、Unicode、UTF-8编码介绍得很好，特拿来放在博客。

因为计算机只能处理数字，如果要处理文本，就必须先把文本转换为数
字才能处理。最早的计算机在设计时采用 8 个比特（bit）作为一个字节
（byte），所以，一个字节能表示的最大的整数就是 255（二进制
11111111=十进制 255），如果要表示更大的整数，就必须用更多的字
节。比如两个字节可以表示的最大整数是 65535 ，4 个字节可以表示的最
大整数是 4294967295 。
由于计算机是美国人发明的，因此，最早只有 127 个字母被编码到计算
机里，也就是大小写英文字母、数字和一些符号，这个编码表被称为
ASCII 编码，比如大写字母 A 的编码是 65 ，小写字母 z 的编码是 122 。
但是要处理中文显然一个字节是不够的，至少需要两个字节，而且还不
能和 ASCII 编码冲突，所以，中国制定了 GB2312 编码，用来把中文编进
去。
你可以想得到的是，全世界有上百种语言，日本把日文编到 Shift_JIS
里，韩国把韩文编到 Euc-kr 里，各国有各国的标准，就会不可避免地出
现冲突，结果就是，在多语言混合的文本中，显示出来会有乱码。

因此，Unicode 应运而生。Unicode 把所有语言都统一到一套编码里，
这样就不会再有乱码问题了。
Unicode 标准也在不断发展，但最常用的是用两个字节表示一个字符（如
果要用到非常偏僻的字符，就需要 4 个字节）。现代操作系统和大多数
编程语言都直接支持 Unicode。
现在，捋一捋 ASCII 编码和 Unicode 编码的区别：ASCII 编码是 1 个字
节，而 Unicode 编码通常是 2 个字节。
字母 A 用 ASCII 编码是十进制的 65 ，二进制的 01000001 ；
字符 0 用 ASCII 编码是十进制的 48 ，二进制的 00110000 ，注意字符 '0'
和整数 0 是不同的；
汉字 中 已经超出了ASCII编码的范围，用Unicode编码是十进制的 20013 ，
二进制的 01001110 00101101 。

你可以猜测，如果把 ASCII 编码的 A 用 Unicode 编码，只需要在前面补
0 就可以，因此， A 的 Unicode 编码是 00000000 01000001 。
新的问题又出现了：如果统一成 Unicode 编码，乱码问题从此消失了。
但是，如果你写的文本基本上全部是英文的话，用 Unicode 编码比 ASCII
编码需要多一倍的存储空间，在存储和传输上就十分不划算。
所以，本着节约的精神，又出现了把 Unicode 编码转化为“可变长编码”
的 UTF-8 编码。UTF-8 编码把一个 Unicode 字符根据不同的数字大小编
码成 1-6 个字节，常用的英文字母被编码成 1 个字节，汉字通常是 3 个
字节，只有很生僻的字符才会被编码成 4-6 个字节。如果你要传输的文
本包含大量英文字符，用 UTF-8 编码就能节省空间：
字符 ASCII Unicode UTF- -8 8
A 01000001 00000000 01000001 01000001
中 x 01001110 00101101 11100100 10111000 10101101
从上面的表格还可以发现，UTF-8 编码有一个额外的好处，就是 ASCII
编码实际上可以被看成是UTF-8编码的一部分，所以，大量只支持ASCII
编码的历史遗留软件可以在 UTF-8 编码下继续工作。
搞清楚了 ASCII、Unicode 和 UTF-8 的关系，我们就可以总结一下现在
计算机系统通用的字符编码工作方式：
在计算机内存中，统一使用 Unicode 编码，当需要保存到硬盘或者需要
传输的时候，就转换为 UTF-8 编码。

用记事本编辑的时候，从文件读取的 UTF-8 字符被转换为 Unicode 字符
到内存里，编辑完成后，保存的时候再把 Unicode 转换为 UTF-8 保存到
文件：

浏览网页的时候，服务器会把动态生成的 Unicode 内容转换为 UTF-8 再
传输到浏览器：

所以你看到很多网页的源码上会有类似 <meta charset="UTF-8" /> 的信息，
表示该网页正是用的 UTF-8 编码。