字符串编码(ASCII, GBK, ANSI, Unicode(‘u‘), UTF-8编码)（转载）

【版权声明】本篇文章以征得博主同意，再行转载。

出自【hxxjxw】

原文链接：https://blog.csdn.net/hxxjxw/article/details/90140663

目录

• 字符串编码的发展
• GBK编码
• ANSI码
• Unicode编码
• UTF-8

字符串编码的发展

1、首先，计算机只能处理数字，文本转换为数字才能处理。计算机中8个bit作为一个字节，所以一个字节能表示最大的数字就是255

因为计算机是美国人发明的，所以一个字节可以表示所有字符了，所以ASCII（一个字节）编码就成为美国人的标准编码(ASCII, American Standard Code for Information Interchange, 美国标准信息交换码)

2、但是ASCII处理中文明显是不够的，中文不止255个汉字，所以中国制定了GB2312编码，用两个字节表示一个汉字。GB2312还把ASCII包含进去了，同理，日文，韩文等等上百个国家为了解决这个问题就都发展了一套字节的编码，标准就越来越多，如果出现多种语言混合显示就一定会出现乱码

3、于是unicode出现了，将所有语言统一到一套编码中

看一下ASCII和unicode编码：

1）字母A用ASCI编码十进制是65，二进制01000001

2）汉字“中”已近超出了ASCII编码的范围，用unicode编码是20013二进制是0100111000101101

3）A用unicode编码只需要前面补0二进制是0000000001000001

节选

4、乱码问题解决了，但是如果内容全是英文，unicode编码比ASCII需要多一倍的存储空间，同时如果传输需要多一倍的传输。

当文件很多的时候，这一倍空间实际上是非常大的（如果1个T的话想一下，而一个T在大公司里面是很常见的）

5、所以出现了可变长的编码“utf-8"，把英文变长一个字节，汉字3个字节。特别生僻的变成4-6字节，如果传输大量的英文，utf8作用就很明显

中文当然就没有减少空间

utf8编码在文件存储或网络传输的时候的优势就特别大

但是如果实在内存种的时候字符串有的占1个字节，有的2个，就很不好捉摸

所以unicode编码虽然占用空间，但是在编程的时候，在内存里面处理的时候比会utf8更简单，因为它们都是一样的长度

所以一般是做文件保存或网络传输的时候，将unicode编码转换成utf8编码

从文件里面读取数据的时候，将utf8编码转换成unicode编码来进行处理

python3字符串在内部中全部使用unicode进行编码的

GBK编码

GBK编码专门用来解决中文编码的，是双字节的。不论中英文都是双字节的。

由于ASCII编码不支持中文，因此，当中国人用到计算机时，就需要寻求一种编码方式来支持中文。于是，国人就定义了一套编码规则：当字符小于127位时，与ASCII的字符相同，但当两个大于127的字符连接在一起时，就代表一个汉字，第一个字节称为高字节（从0xA1-0xF7）,第二个字节为低字节（从0xA1-0xFE）,这样大约可以组合7000多个简体汉字。这个规则叫做GB2312。

但是由于中国汉字很多，有些字无法表示，于是重新定义了规则：不在要求低字节一定是127之后的编码，只要第一个字节是大于127，就固定表示这是一个汉字的开始，不管后面跟的是不是扩展字符集里的内容。这种扩展之后的编码方案称之为GBK标，包括了GB2312的所有内容，同时新增了近20000个新的汉字（包括繁体字）和符号。

但是，中国有56个民族，所以，我们再次对编码规则进行了扩展，又加了近几千个少数民族的字符，于是再次扩展后得编码叫做GB18030。中国的程序员觉得这一系列编码的标准是非常的好，于是统统称他们叫做"DBCS"（Double Byte Charecter Set 双字节字符集）。

ANSI码

ANSI编码是一种对ASCII码的拓展：ANSI编码用0x00 ~ 0x7f （即十进制下的0到127）范围的1 个字节来表示 1 个英文字符，超出一个字节的 0x80~0xFFFF 范围来表示其他语言的其他字符。也就是说，ANSI码仅在前128（0-127）个与ASCII码相同，之后的字符全是某个国家语言的所有字符。值得注意的是，两个字节最多可以存储的字符数目是2的16次方，即65536个字符，这对于一个语言的字符来说，绝对够了。还有ANSI编码其实包括很多编码：中国制定了GB2312编码，用来把中文编进去另外，日本把日文编到Shift_JIS里，韩国把韩文编到Euc-kr里，各国有各国的标准。受制于当时的条件，不同语言之间的ANSI码之间不能互相转换，这就会导致在多语言混合的文本中会有乱码。

Unicode编码

\u开头的就是unicode编码

因为世界国家很多，每个国家都定义一套自己的编码标准，结果相互之间谁也不懂谁的编码，就无法进行很好的沟通交流，所以及时的出现了一个组织ISO（国际标准化组织）决定定义一套编码方案来解决所有国家的编码问题，这个新的编码方案就叫做Unicode。注意Unicode不是一个新的编码规则，Unicode只是一个用来映射字符和数字的标准，是一套字符集（为每一个「字符」分配一个唯一的 ID（学名为码位 / 码点 / Code Point）），可以将Unicode理解为一本世界编码的字典。

Unicode编码与ASCII编码方式兼容

UTF-8

互联网的普及，强烈要求出现一种统一的编码方式。UTF-8 就是在互联网上使用最广的一种 Unicode 的实现方式。其他实现方式还包括 UTF-16（字符用两个字节或四个字节表示）和 UTF-32（字符用四个字节表示），不过在互联网上基本不用。重复一遍，这里的关系是，UTF-8 是 Unicode 的实现方式之一。

UTF-8 最大的一个特点，就是它是一种变长的编码方式。它可以使用1~4个字节表示一个符号，根据不同的符号而变化字节长度。