💻 ASCII码与Unicode

在计算机系统中，ASCII是一个经常出现的术语。
这是一个信息表示的问题，需要从字节说起

1.什么是字节？

字节(byte)是计算机存储基本单位
1byte = 8 bit, 二进制数系统中，每个0或1就是一个位（bit）。
字符是最基本单位，1byte = 8bit。
比如一个文件是3byte,那么 其中是 3个，8位二进制，
比如ABC，就是，0110 0001，0110 0010，0110 0011
bit 中文名称是位，音译“比特”，是用以描bai述电脑数据量的最小单位。

2.为什么 1byte = 8 bit ？

ASCII码

最初计算机是美国人发明的，美国人觉得128个字符够用了。
ASCII表中一共 128个字符 128 == 2^7
128 二进制表示， 1111111，
0 二级制表示 0000000 需要7位。

原始的ASCII编码是7位的，所以有2^7=128个字符（包括一zhi些不可显示字符）。但是电脑里1Byte=8bit，有8位。早期的电脑不太可靠，数据经常出错，所以这1Byte的8位中最高为就用来做数据校验，一般是奇偶校验。
但是后来的电脑变得可靠了，校验的意义就没有那么大了，因此有了一个扩展ASCII字符集。扩展ASCII字符集包含2^8=256个字符，编码是8位的。扩展ASCII字符集中的前128个字符与原来的ASCII字符集相同（就是原来的ASCII字符集的7位编码前面加一个0），而后面128个字符高位都是1。

随着计算机的发展和深入，7位的字符有时已不够用，为此国际标准化组织又制定了ISO2022标准，它在保持ISO646兼容的基础上，规定了扩充ASCII字符集为8位代码，可表示256个字符.。

ps(C/C++的标准中，从来没有规定1byte等于8bit 。它只规定了：sizeof(char) = 1，除此之外，还有一项相关的规定就是：sizeof(char) <= sizeof(short) <= sizeof(int) <= sizeof(long) <= sizeof(long long)。 但是现实中，1byte确实绝大部分都是8bit的。其源头是tcp/ip协议中，有这样的规定。 所以，除非你做的系统不准备支持tcp/ip协议，否则，依循它的协议，使用1byte=8bit是最简单的)

3.其它语言怎么用二进制表示

随着计算机的流行，许多国家需要将自己的文字加入到计算机中，但是ASCII已经满了，于是出现了新的标准，Unicode，采用16进制表示编码，转换为二进制最多为21位。

Unicode的缺点：，英文字母只用一个字节表示就够了，如果 Unicode 统一规定，每个符号用三个或四个字节表示，那么每个英文字母前都必然有二到三个字节是0，这对于存储来说是极大的浪费，文本文件的大小会因此大出二三倍，这是无法接受的。于是出现了
UTF(UTF是“Unicode Transformation Format”的缩写)
UTF对应编码

UTF-8的特点是对不同范围的字符使用不同长度的编码。对于0x00-0x7F之间的字符，UTF-8编码与ASCII编码完全相同。UTF-8编码的最大长度是4个字节。从上表可以看出，4字节模板有21个x，即可以容纳21位二进制数字。Unicode的最大码位0x10FFFF也只有21位。

例1：“汉”字的Unicode编码是0x6C49。0x6C49在0x0800-0xFFFF之间，使用3字节模板：1110xxxx 10xxxxxx 10xxxxxx。将0x6C49写成二进制是：0110 1100 0100 1001， 用这个比特流依次代替模板中的x，得到：11100110 10110001 10001001，即E6 B1 89。

例2：Unicode编码0x20C30在0x010000-0x10FFFF之间，使用4字节模板：11110xxx 10xxxxxx 10xxxxxx 10xxxxxx。将0x20C30写成21位二进制数字（不足21位就在前面补0）：0 0010 0000 1100 0011 0000，用这个比特流依次代替模板中的x，得到：11110000 10100000 10110000 10110000，即F0 A0 B0 B0。

4.为什么一个汉字用多个字节表示

这是因为，在UTF-8中，为了节约空间，也为了兼容ASCII编码系统，将Unicode中原本用2个字节表示的字符表示成1~4个字节（具体转换规则在这里不赘述了），其中大多数汉字部分（比如“汉”）在UTF-8中为3字节，但是在中国大陆地区，GBK编码依然很常用，在GBK中，除ASCII字符外，都是一个字符占两个字节。所以，一个汉字占多少字节还是具体取决于编码