编码Q&A

Q：什么是编码？

A：由于计算机中所有数据都是以二进制存在，那么为了存储数字，字母，各种符号和文字，计算机必须用一套映射系统来对应。比如我在某台计算机上规定，用00010001这个二进制数表示字母a，用10010010表示中文字“好”。这种规定就是编码。

 

Q: 什么是ASCII？

A：显然，计算机不是一个人规定好自己怎么编码就行的。计算机需要在其使用者们之间通信。因此，最好大家采用同一套通用的编码系统。ASCII就是其中出现最早的（以标准形式出现于1967年，最后一次更新是在1986年），其全称是American Standard Code for Information Interchange(美国信息交换标准代码)，是一种基于拉丁字母的的7位电脑编码系统。

 

Q：7位的含义是？

A：从 0000 0000 到 0111 1111之间一共有128个状态，用来表示： 26个小写字母+26个大写字母+10个数字+32个符号+33个控制代码+1个空格=128。

用16位进制表示，就是占用了 0x00到0x7f 之间这么多个字符状态。 （不同语言用不同方式表示16进制数，C语言在数前加0x或0X表示16进制数，如0x7f就是二进制的0111 1111）

 

Q:  基于拉丁字母？

A： 拉丁字母就是我们通常所说的26个大写英文字母+26个小写英文字母。

由于ACII出现得很早，当时只限于英语国家使用，故而认为128个字符已经足够使用。

 

Q：有没有别的称呼？

A：其国际标准名称是ISO/IEC 646。

 

Q：ASCII有什么缺点？

A：能够编码的字符太少，只能适用于美国现代英语（而且外来词naïve、café、élite的重音只能去掉）。虽然其后续这EASCII解决了西欧语言中类似这样的问题，但对于其他语言没有办法。

 

Q：ASCII的影响？

A：ACSII是一种ISO标准，这种标准使得含有ASCII字符的文本文件可以在几乎所有的操作系统中实现互换，而其它格式的文件是很难做到这一点的。因此ACSII编码是讨论其他编码的基础。

 

Q: 我经常在notepad中看到ANSI，这又是什么编码标准？

A：ANSI本来是指美国国家标准学会（American National Standards Institute）。当这个词指编码时，其真正更准确的名称是ANSI code pages。它实际上是上世纪80到90年代Windows操作系统上一系列编码的集合。对于不同国家，ANSI指适用于本国文字的字符编码标准。如中国的ANSI就是 GB2312（或其超集GBK），台湾的ANSI则是BIG5，日本的 ANSI 是JIS。它被称作ANSI其实一种名称的误用，因为这个集合中的编码压根就没通过ANSI和ISO的审核。不管怎样，这个词在Windows环境下还是坚持到如今……(参考：ANSI_code_page)

 

Q：太复杂了。有没有一种通用的办法，能够一揽子解决各种平台，各种国家，各种网络和机器环境下的编码问题呢？

A：终于轮到我们的大牛出场了。他就是大家耳熟能详的Unicode，又叫统一码，万国码。他使用ISO推出的通用字符集为基础，对世界上大部分文字进行整理并编码，力图统一所有编码。迄今已收纳超过11万个字符，并且仍在发展。Unicode现在被广为推崇(甚至微软也推荐)，在现代操作系统、JAVA和.NET、XML中已经被默认实现。其最新版本是Unicode 6.3。

 

Q：听说UTF-8，UTF-16和Unicode有关系，是这样的吗？

A：是的。实际上Unicode是一整套解决方案，包括编码方式和实现方式。其实现方式就是UTF(Unicode Transformation Format)。后面的-8表示该编码采用8bit一组作为码元，而-16则表示采用16bit一组。UTF-8是万维网推荐的传输标准。

 

其他名词：

GB2312:兼容中国对ascii进行的字符编码扩展。全称是“信息交换用汉字编码字符集——基本集”。1980年推出。包含汉字6763个和非汉字图形字符682个。“联通”在此标准中会有错误。

GBK：与GB2312兼容，在此基础上增加到2 w多字。

BIG5：香港、台湾繁体中文区的字符集编码标准。