字符编码起源与发展

AAA

字符编码起源与发展

总所周知，计算机的底层架构中开关的闭合、电容电平的高低决定了计算机是用二进制数“0”和“1”（学名：bit；中文名：位、比特）组合成的代码来控制的，一种组合指示计算机进行一种操作。

初期的计算机“0”、“1”的组合规则各异，可能甲造的计算机中二进制组合“1011”（学名：byte；中文名：字节）表示数学数字“11”（学名：character；中文名：字符），而乙造的计算机中却表示字母“a”。这显然不利于行业的交流与发展。
随着计算机的使用者越来越多，人们越发迫切地希望能有一个统一的标准出现。

于是，1968年，《美国标准信息交换码》（简称 ASCII）应运而生。

这个标准最初决定使用 7位（bit）二进制数组成一个字节（byte），共128 个组合。包含了英文的大小写字母、数字、标点符号等常用的字符，数字代号从 0 至 127；

ASCII 的表示内容如下：

0 – 31           控制符号
32                 空格
33-47            常用符号
48-57            数字
58-64            符号
65-90            大写字母
91-96            符号
97-127          小写字母

这个规则对美国人民来说的确是够用了，但是随着计算机传到欧洲，西语系其它语种的国家发现在这个规则下，他们无法在计算机中使用自己本国的文字。
于是，ASCII 码从 7位 扩展到了 8位 ，从128 到255这一页的字符集则被称“扩展字符集”；

不过这点扩展显然完全无法囊括世界上千万种文化的字符，于是那些有需求的国家开始自己制定规则，许许多多的不同的新规则相继出现，如：

常用日语编码标准有 Shift_JIS、EUC-JP 等；
常用韩语编码标准有 ks_c_5601-1987、EUC_KR 等；
常用俄语编码标准有 KOI8-R 、 Windows-1251 等；

我们国家自然也有着自己的编码规则，常用的有：

GB2312：简体中文编码；
BIG5：繁体中文编码；
GBK：支持简体及繁体中文；

这样一来，字符编码仿佛又回到了原始蛮荒时代，各种规则间难以交流、转换。

这时候，国际标准化组织（ISO）站了出来，着手制定一种可以将世界上所有的符号都纳入其中的编码规则。这种规则被叫作”Universal Multiple-Octet Coded Character Set”，简称 UCS, 又称 unicode.

Unicode字符码是32位，4个字节，2^32 有多大呢，假设中华上下5000年，每两分钟创造一个字符，到现在也没造完 2^32 个！

然而，Unicode 还是有缺陷的。

对，它太大了！

平常使用的字符里，99%以上的字符都不会突破2个字节，西语系甚至只需保留的 ASCII 码 （仅一个字节）就够了，显然使用Unicode 码会对资源造成极大的浪费。作为数据存储格式勉强能接受，数据传播也采用4个字节的方式的话，传播效率就太过低效了。

于是乎，Unicode 推广受阻。

再后来，Internet 诞生了，这种全球互联的通信网络迫切地需要一套统一的、更实用的编码规则。

终于，在 Unicode 的基础上，众多面向传输的的 UTF（UCS Transfer Format）标准出现了。

其中最常见的是 UTF-8 标准，它的编码规则很简单：

1）如果一个字节的第一位是0，则这个字节单独就是一个字符；
2）如果第一位是1，则连续有多少个1，就表示当前字符占用多少个字节。

下表总结了编码规则，字母x表示可用编码的位。

单字节编码：0xxxxxxx
双字节编码：110xxxxx 10xxxxxx
三字节编码：1110xxxx 10xxxxxx 10xxxxxx
四字节编码：11110xxx 10xxxxxx 10xxxxxx 10xxxxxx

UTF-8 编码兼顾了 Unicode 的完整性与网络传输的效率，现已成为网络传输的通用编码规则。很可惜的是，虽然 UTF-8 的出现，统一了编码规则，但是由于各种历史遗留问题，并不是所有的文件和系统都调整为这种编码，各种独特的编码方式还是有其存在与发展的市场。

于是这就给程序员们留下了编码与解码的日常工作......