编码格式区别.doc

《编码格式区别.doc》由会员上传分享，免费在线阅读，更多相关内容在教育资源-天天文库。

1、医疗事业部ASCII是一种字符集,包括大小写的英文字母、数字、控制字符等，它用一个字节表示，范围是0-127由于ASCII表示的字符非常有限，各个国家或者地区在此基础上提出了自己的字符集，比如在中国应用非常广泛的GB2312，它为汉字提供了编码，用两个字节表示。这些字符集之间互不兼容，相同的数字可能表示不同的字符，为信息交流带来了麻烦。Unicode是一种字符集,它将世界上的所有字符映射成一个唯一的数字(codepoint)，比如字母a对应的数字0x0041。目前Unicode还处于发展中，它所包容的字符越来越多。在将Unicode表示

2、的字符进行存储时，还需要一定的编码方式，比如UCS-2，它用两个字节来表示Unicode编码的字符。而UTF-8是Unicode字符集的另外一种编码方式，它是变长度的，最多6个字节，小于127的字符用一个字节表示，与ASCII字符集的结果一样，因而具有非常好的兼容性，ASCII编码下的英语文本不需要修改就可以当作UTF-8编码进行处理，应用非常广泛。Python从2.2开始支持Unicode，函数decode(char_set)可以实现其它编码到Unicode的转换，函数encode(char_set)可以实现Unicode到其它编码方

3、式的转换，这里所讲的UnicodeString是指UCS-2或者UCS-4编码的CodePoints。比如("你好").decode("GB2312")将得到u'u4f60u597d'，即"你"和“好"的Unicode码分别是0x4f60和0x597d再用(u'u4f60u597d').encode("UTF-8")将得到'xe4xbdxa0xe5xa5xbd'，它是 “你好”的UTF-8编码结果。下面就是我的笔记，主要用来整理自己的思路。但是，我尽量试图写得通俗易懂，希望能对其他朋友有用。毕竟，字符编码是计算机技术

4、的基石，想要熟练使用计算机，就必须懂得一点字符编码的知识。1.ASCII码我们知道，在计算机内部，所有的信息最终都表示为一个二进制的字符串。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出256种状态，这被称为一个字节（byte）。也就是说，一个字节一共可以用来表示256种不同的状态，每一个状态对应一个符号，就是256个符号，从0000000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，做了统一规定。这被称为ASCII码，一直沿用至今。ASCII码一共规定了128个字

5、符的编码，比如空格“SPACE”是32（二进制00100000），大写的字母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1位统一规定为0。7医疗事业部2、非ASCII编码英语用128个符号编码就够了，但是用来表示其他语言，128个符号是不够的。比如，在法语中，字母上方有注音符号，它就无法用ASCII码表示。于是，一些欧洲国家就决定，利用字节中闲置的最高位编入新的符号。比如，法语中的é的编码为130（二进制10000010）。这样一来，这些欧洲国家使用的编码体

6、系，可以表示最多256个符号。但是，这里又出现了新的问题。不同的国家有不同的字母，因此，哪怕它们都使用256个符号的编码方式，代表的字母却不一样。比如，130在法语编码中代表了é，在希伯来语编码中却代表了字母Gimel(ג)，在俄语编码中又会代表另一个符号。但是不管怎样，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的这一段。至于亚洲国家的文字，使用的符号就更多了，汉字就多达10万左右。一个字节只能表示256种符号，肯定是不够的，就必须使用多个字节表达一个符号。比如，简体中文常见的编码方式是GB2312，使

7、用两个字节表示一个汉字，所以理论上最多可以表示256x256=65536个符号。中文编码的问题需要专文讨论，这篇笔记不涉及。这里只指出，虽然都是用多个字节表示一个符号，但是GB类的汉字编码与后文的Unicode和UTF-8是毫无关系的。3.Unicode正如上一节所说，世界上存在着多种编码方式，同一个二进制数字可以被解释成不同的符号。因此，要想打开一个文本文件，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。为什么电子邮件常常出现乱码？就是因为发信人和收信人使用的编码方式不一样。可以想象，如果有一种编码，将世界上所有的符

8、号都纳入其中。每一个符号都给予一个独一无二的编码，那么乱码问题就会消失。这就是Unicode，就像它的名字都表示的，这是一种所有符号的编码。Unicode当然是一个很大的集合，现在的规模可以容纳100多万个