ascii 和 byte以及UTF-8的转码规则

多年来闲麻烦，只记录笔记，不曾编写BLOG，本文为原创，如需转载请标明出处

废话不说，直奔主题

• ascii  

 

计算机只接受 “高”、“低”电压，所以使用二进制  1  和  0 分别代表高低电压

ascii  将 “字符”和“符号”转为二进制，在通过二进制转为电压让计算机识别

 

0-127 是 7 位ASCII 码的范围，是国际标准  0111 1111

 

• byte 字节

 

1 byte = 8 bit     就是8位二进制数    在不同语言中，字节范围不应，这主要取决于最高位是不是符号位

 

ascii  就是用一个字节，8位二进制表示一个字符或者符号

 

如 小写字母 a 的 ascii 编码是97，不同进制表示如下

 

二进制：01100001   （高四位 0110 低四位  0001）  

十进制：26 + 25 + 20 = 64 + 32 + 1 = 97

 

了解了ASCII，再来看看其他编码和byte的关系

 

gb2312     两字节     

utf-8          一个 "英文" 字符一字节，一个 "中文" 字符三字节

unicode     所有字符等于 "两个字节"

 

• UTF-8

 

以 UTF-8 JAVA 中 将字符串转换为字节为例

 

//字符串和byte转换样本

byte[] str2byte = new String("中汉").getBytes("utf-8");

for (byte b : str2byte) {

     System.out.println(b);

}

byte[] byte2str = { -28, -72, -83, -27, -101, -67 };

String str = new String(byte2str, "utf-8");

System.out.println(str);

 

解释：

 

比如 “汉” 这个字要在网络上传输，最终是要使用二进制表示电压

 

unicode 编码表中 “汉”字的编码是0x6C49，

转成UTF-8格式，对照映射表， 0x6C49在0x0800-0xFFFF之间， UTF-8使用用3字节模板了：1110xxxx 10xxxxxx 10xxxxxx

0x6C49 是16进制表示， 6C49  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

 

在 java 中，首先要把汉字转成字节，计算出来的 是 -26，-79，-119，我们发现和E6 B1 89 不同

那么是如何换算呢

E6 => 1110 0110   因为JAVA中 byte 是 -128 ~ 127，高位是符号位

计算方式为    采用补码计算  取反后+1   去掉符号位，0001 1001 + 1 = 16+8+1 + 1 = 26

高位1 位负数， 所以 E6 对应 -26， 在通过字节传输给网络流，转成二进制

 

那么使用UTF-8 将一串中英文转成二进制，计算机如何接收呢

 

这个就是UTF-8规则编码，计算机指定了UTF8编码接收二进制并进行转移，当发现字节以0开头，表示这是一个标准ascii字符，直接转义 ，当发现1110开头，就说明接下来的三个字节表示一个汉字，则取3个字节去掉模板后转义，UTF8编码模板如下

 

 

1字节 0xxxxxxx

2字节 110xxxxx 10xxxxxx

3字节 1110xxxx 10xxxxxx 10xxxxxx

4字节 11110xxx 10xxxxxx 10xxxxxx 10xxxxxx

5字节 111110xx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx

6字节 1111110x 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx

 

• base64

 

作用：

　　主要用于将二进制数据转换成可见字符

 

由来：

　　早期 MIME 协议 Multipurpose Internet Mail Extensions 只能传输ASCII字符，这样非英文字符和图片就无法在邮件中发送

　　（ASCII包含的字符少，GBK等包含的中文在ascii表示不了，所以有UTF）

 

　　BASE64就是将这些二进制数据转换成64个定义好的ASCII字符，一方面可以传输，一方面可以也可见，比如XML里加入二进制图片持久化，就是用 BASE64 进行存储

　　BASE64  最小使用单元是3字节，24bit   转换后将24bit且成4块，然后每块是6bit，因为计算机存储字节是8bit，所以在高位补两个0

　　

　　e.g.    100101  转换后   00100101

　　这样就得到了4个ascii  字符，不过长度也随之增加

 

　　另外，URL里不支持 /  +这类字符，所以一般使用  safe  url base 64编码，由于BASE64是3*8 = 4*6 的游戏，

 

　　注意：当转换成6位时，需要查BASE64编码表，而不是查ASCII表，另外，当转化不是3的倍数时，看下图

 

　　（借用网上的一张图片 http://www.cnblogs.com/caoyc/p/5794720.html）

　　

　　这里再举例小写 a

　　01100001   转换后是   011000   010000  补4个0变成2字节，得到YQ，BASE64要求4个字节  补两个 ==

　　得到  YQ==

 

文章参考：http://www.cnblogs.com/caoyc/p/5794720.html