计算机编码 - 更易懂的打开方式

写在前面

对于计算机编码，记得当年上学学计算机时候肚子都被搞大了，不对，是脑袋被搞大了，后来勉强学会了吧，工作这么多年，真的是忘得一干二净，由于平时工作基本都是上层开发，感觉对二进制的概念都越来越模糊了，真是老了啊。回过头复习复习吧，顺便整理篇文章，同时也是整理自己的思绪。

更易懂的打开方式

其实编码就是一种约定，0代表什么，1代表什么，1000又代表什么，就像你女朋友跟你约定，撅噘嘴代表要亲亲，嗯哼两声是要抱抱，指指搓衣板表示你要受罚了，一瞪眼表示你要挨揍了。。。。

你女朋友发现这样很好使，不用天天跟你叨叨叨了，然后就设计了一整套的表情包，每一种表情都表示让你做的一件事情，而且你也烂熟于心，乖乖的执行着，没有发生过错误。

突然有一天，你女朋友想要逛街，发现之前设计的表情只能在家用，出门就不好使了，不够用了咋办？那买个口哨吧，扩展一下功能吧，吹一声，老娘口渴了，吹两声，老娘饿了。。。

一切都是这么美好，从此你们俩开开心心的过着没羞没臊的日子。

可是，隔壁老王媳妇注意到你们了，这么爽，这么过瘾，整套设计搬回家，一个一个试用，发现除了在家，逛街以外，还要种地，还是不够用，老王媳妇自己设计了一套表情包，保留之前好用的，去掉一些不好用的，增加了很多自己特色的表情包。

就这样，一传十，十传百，老张媳妇，老李媳妇......各种媳妇，各有各的表情包。

有一天老王媳妇，老张媳妇，老李媳妇想要交流经验，发现各自用的表情包不一样，没法沟通下去了啊。这时候妇女主任出现了，为了让大家统一管理自己的老公，为了让更多没有用到表情包的老刘媳妇，老马媳妇以后也能利用上，她废弃了之前所有的表情包，重新搞了一套全新的表情包，包括了所有人以及未来可能加入的人都能好好使用的表情包。

正经的

很久很久以前，有一群人，他们决定用8个可以开合的晶体管来组合成不同的状态，以表示世界上的万物。他们看到8个开关状态是好的，于是他们把这称为”字节“。

再后来，他们又做了一些可以处理这些字节的机器，机器开动了，可以用字节来组合出很多状态，状态开始变来变去。他们看到这样是好的，于是它们就这机器称为”计算机“。

我们在显示器上看见的文字、图片等信息在电脑里面，其实并不是我们看见的样子，即使你知道所有信息都存储在硬盘里，把它拆开也看不见里面有任何东西，只有些盘片。

假设，你用显微镜把盘片放大，会看见盘片表面凹凸不平，凸起的地方被磁化，凹的地方是没有被磁化；凸起的地方代表数字1，凹的地方代表数字0。硬盘只能用0和1来表示所有文字、图片等信息。

二进制数的每一个位表示一个计算机位（bit，简称位），8个位组成一个字节(byte)。那么一个字节可以表示256种含义（2^8=256）。

虽然机器是基于二进制的，但对人类来说，因为二进制数太长了，需要做精简。因此需要将其转换成十六进制（hexadecimal，简称hex）。转换方式很简单，使用“8421法”将四位二进制数转换成十六进制数的一位，比如：1010（binary）会转为A（hex）。在 C 语言中，十六进制数以”0x”或“0X”开头，A表示10，F表示16。

此后，00000000~11111111就可以用0x00~0xFF来表示了。

什么是字符？

字符是各种文字和符号的总称，包括各个国家文字、标点符号、图形符号、数字等。

什么是字符集？

字符集是多个字符的集合，字符集种类较多，每个字符集包含的字符个数不同，常见字符集有：ASCII字符集、ISO 8859字符集、GB2312字符集、BIG5字符集、GB18030字符集、Unicode字符集等

什么是字符编码？

1、 计算机要准确的处理各种字符集文字，需要进行字符编码，以便计算机能够识别和存储各种文字。

2、 字符编码(encoding)和字符集不同。字符集只是字符的集合，不一定适合作网络传送、处理，有时须经编码(encode)后才能应用。如Unicode可依不同需要以UTF-8、UTF-16、UTF-32等方式编码。

3、字符编码就是以二进制的数字来对应字符集的字符。 因此，对字符进行编码，是信息交流的技术基础。

常见的字符编码

常见的编码方式有：ASCII编码，GB2312编码(简体中文)，GBK，BIG5编码(繁体中文)，ANSI编码，Unicode，UTF-8编码等。

在计算机技术发展的早期，如ASCII（1963年）和EBCDIC（1964年）这样的字符集逐渐成为标准。但这些字符集的局限很快就变得明显，于是人们开发了许多方法来扩展它们。

ASCII码

ASCII 是基于罗马字母表的一套电脑编码系统，ASCII码使用一个字节编码，所以它的范围基本是只有英文字母、数字和一些特殊符号 ，只有256个字符（128个字符的标准ASCII码和附加的128个字符的扩充ASCII码）。

开始计算机只在美国用，所以ASCII的全名是（American Standard Code for Information Interchange，美国信息互换标准编码）。

后来，世界各地的都开始使用计算机，但是很多国家用的不是英文，他们的字母里有许多是ASCII里没有的，为了可以在计算机保存他们的文字，他们决定采用 127号之后的空位来表示这些新的字母、符号，还加入了很多画表格时需要用下到的横线、竖线、交叉等形状，一直把序号编到了最后一个状态255（从0开始）这就是128个字符的扩充ASCII码。

GB2312

GB2312又称为GB2312-80字符集，全称为《信息交换用汉字编码字符集·基本集》，由原中国国家标准总局发布，1981年5月1日实施，是中国国家标准的简体中文字符集。它所收录的汉字已经覆盖99.75%的使用频率，基本满足了汉字的计算机处理需要。在中国大陆和新加坡获广泛使用。

GBK

GBK字符集是GB2312的扩展(K)，GBK1.0收录了21886个符号，它分为汉字区和图形符号区，汉字区包括21003个字符。

GBK字符集主要扩展了繁体中文字的支持。

GB18030

GB18030字符集标准解决汉字、日文假名、朝鲜语和中国少数民族文字组成的大字符集计算机编码问题。该标准的字符总编码空间超过150万个编码位，收录了27484个汉字，覆盖中文、日文、朝鲜语和中国少数民族文字。满足中国大陆、中国香港、中国台湾、日本和韩国等东亚地区信息交换多文种、大字量、多用途、统一编码格式的要求。

等中国人们得到计算机时，已经没有可以利用的字节状态来表示汉字，但是这难不倒智慧的中国人民，我们不客气地把那些127号之后的奇异符号们直接取消掉：

• 一个小于127的字符的意义与原来相同，但两个大于127的字符连在一起时，就表示一个汉字；
• 前面的一个字节（他称之为高字节）从0xA1用到 0xF7，后面一个字节（低字节）从0xA1到0xFE；

这样我们就可以组合出大约7000多个简体汉字了。

GB2312 --> GBK --> GB18030

• GB2312是常用简体汉字；在这些编码里，我们还把数学符号、罗马希腊的字母、日文的假名们都编进去了，连在 ASCII 里本来就有的数字、标点、字母都统统重新编了两个字节长的编码。
• 后来还是不够用，于是干脆不再要求低字节一定是127号之后的内码，只要第一个字节是大于127就固定表示这是一个汉字的开始，不管后面跟的是不是扩展字符集里的内容。结果扩展之后的编码方案被称为 GBK 标准，GBK包括了GB2312 的所有内容，同时又增加了近20000个新的汉字（包括繁体字）和符号。
• 后来少数民族也要用电脑了，于是我们再扩展，又加了几千个新的少数民族的字，GBK扩成了 GB18030。从此之后，中华民族的文化就可以在计算机时代中传承了。
• GB2312和GBK都是双字节，GB18030分单、双、四字节三个部分。

当时各个国家都像中国这样搞出一套自己的编码标准，结果互相之间谁也不懂谁的编码，谁也不支持别人的编码。ISO （国际标谁化组织）的国际组织解决了这个问题。 他们采用的方法很简单：废了所有的地区性编码方案，重新搞一个包括了地球上所有文化、所有字母和符号的编码！

Unicode

Unicode字符集编码是（Universal Multiple-Octet Coded Character Set） 通用多八位编码字符集的简称，支持世界上超过650种语言的国际字符集。

Unicode允许在同一服务器上混合使用不同语言组的不同语言。它是由一个名为 Unicode 学术学会(Unicode Consortium)的机构制订的字符编码系统，支持现今世界各种不同语言的书面文本的交换、处理及显示。

ISO 就直接规定必须用两个字节，也就是16位来统一表示所有的字符，对于ASCII里的那些“半角”字符，unicode包持其原编码不变，只是将其长度由原来的8位扩展为16位，而其他文化和语言的字符则全部重新统一编码。由于“半角”英文符号只需要用到低8位，所以其高8位永远是0，因此这种大气的方案在保存英文文本时会多浪费一倍的空间。

Unicode在很长一段时间内无法推广，直到互联网的出现，为解决Unicode如何在网络上传输的问题，于是面向传输的众多 UTF（UCS Transfer Format）标准出现了。 顾名思义：UTF-8就是每次8个位传输数据，而UTF-16就是每次16个位。

UTF-8

UTF-8就是在互联网上使用最广的一种Unicode的实现方式，这是为传输而设计的编码，并使编码无国界，这样就可以显示全世界上所有文化的字符了。

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，当字符在ASCII码的范围时，就用一个字节表示，保留了ASCII字符一个字节的编码做为它的一部分，（注意的是Unicode一个中文字符占2个字节，而UTF-8一个中文字符占3个字节）。

从Unicode到UTF-8并不是直接的对应，而是要过一些算法和规则来转换。

UTF-8的编码规则很简单，只有二条：

• 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。
• 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。

Base64编码

所谓Base64，就是选出64个字符：小写字母a-z、大写字母A-Z、数字0-9、符号"+"、"/"（再加上作为垫字的"="，实际上是65个字符）作为一个基本字符集。然后，其他所有符号都转换成这个字符集中的字符。

• Base64主要用于将不可打印的字符转换成可打印字符，或者简单的说将二进制数据编码成ASCII字符。将二进制数据编码成ASCII字符主要的目的是能在纯文本内容中插入二进制数据。
• Base64要求把每三个8Bit的字节转换为四个6Bit的字节（3*8 = 4*6 = 24），然后把6Bit再添两位高位0，组成四个8Bit的字节，也就是说，转换后的字符串理论上将要比原来的长1/3。

应用场景：

1. XML/JSON文件这是一个纯文本文件，如果要基于XML/JSON格式设计可以保存图片或其它附件的数据格式，那就需要将这些制数据转码成ASCII字符。

2. 在email传输中，加密是肯定的，但是base64加密的目的不是让用户发送非常安全的Email。这种加密方式主要就是“防君子不防小人”，达到一种一眼看上去看不出内容的效果。

3. base64编码是用来解决把不可打印的内容塞进可打印内容的需求的。比如把图片存到数据库，图片数据归根到底还是一堆二进制串，用base64编码后的显示成的字符串就大大缩小的长度，可以存到数据库。

4. 满足电子邮件中不能直接使用非ASCII码字符传输数据的规定，所以使用base64进行编码后传输，因为base64的64个字符肯定有对应的ascii编码。

5. 微软的MHT格式这是模仿邮件格式将多种资源打包在一个文件中的格式，所有二进制资源都采用Base64编码。

6. 请不要再叫base64加密，请叫base64编码

转换过程

1. 将每三个字节作为一组，一共是24个二进制位。

2. 将这24个二进制位分为四组，每个组有6个二进制位。

3. 在每组前面加两个00，扩展成32个二进制位，即四个字节。

4. 根据下表，得到扩展后的每个字节的对应符号，这就是Base64的编码值。