字符编码(ASCII，Unicode和UTF-8) 和 大小端

字符编码 (ASCII, Unicode 和 UTF-8) 与大小端

本文主要包含两部分内容：字符编码（ASCII、Unicode 和 UTF-8）的原理，以及字节序（Big Endian 和 Little Endian）的介绍。

第一部分：ASCII、Unicode 和 UTF-8

1. ASCII 码

在计算机内部，所有信息最终都表示为二进制字符串。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，即 256 个符号，范围从 00000000 到 11111111。

上世纪 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，被称为 ASCII 码，一直沿用至今。

ASCII 码一共规定了 128 个字符的编码。例如，空格"SPACE"是 32（二进制 00100000），大写字母"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。

2. 非 ASCII 编码

英语用 128 个符号编码就够了，但用来表示其他语言，128 个符号是不够的。例如，法语中字母上方有注音符号，无法用 ASCII 码表示。于是，一些欧洲国家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 编码为 130（二进制 10000010）。这样一来，这些欧洲国家使用的编码体系，最多可以表示 256 个符号。

但这引发了新的问题。不同的国家有不同的字母，哪怕都使用 256 个符号的编码方式，代表的字符却不一样。例如，130 在法语编码中代表 é，在希伯来语编码中却代表字母 Gimel (ג)，在俄语编码中又会代表另一个符号。不过，在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 这一段。

至于亚洲国家的文字，使用的符号就更多了，汉字多达 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。例如，简体中文常见的编码方式是 GB2312，使用两个字节表示一个汉字，理论上最多可以表示 256×256=65536 个符号。

中文编码的问题需要专文讨论，本文暂不深入。这里只指出：虽然都是用多个字节表示一个符号，但 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。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，就像它的名字所表示的，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 多万个符号。每个符号的编码都不一样，例如：

• U+0639 表示阿拉伯字母 Ain
• U+0041 表示英语的大写字母 A
• U+4E25 表示汉字"严"

具体的符号对应表，可以查询 unicode.org，或者专门的 汉字对应表。

4. Unicode 的问题

需要注意的是，Unicode 只是一个符号集，它只规定了符号的二进制代码，却没有规定这个二进制代码应该如何存储。

例如，汉字"严"的 Unicode 是十六进制数 4E25，转换成二进制数足足有 15 位（100111000100101），也就是说这个符号的表示至少需要 2 个字节。表示其他更大的符号，可能需要 3 个字节或者 4 个字节，甚至更多。

这里就有两个严重的问题：

1. 如何才能区别 Unicode 和 ASCII？计算机怎么知道三个字节表示一个符号，而不是分别表示三个符号呢？
2. 我们已经知道，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。

它们造成的结果是：

1. 出现了 Unicode 的多种存储方式，也就是说有许多种不同的二进制格式，可以用来表示 Unicode。
2. Unicode 在很长一段时间内无法推广，直到互联网的出现。

5. 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。

UTF-8 的编码规则很简单，只有二条：

1. 对于单字节的符号，字节的第一位设为 0，后面 7 位为这个符号的 Unicode 码。因此对于英语字母，UTF-8 编码和 ASCII 码是相同的。
2. 对于 n 字节的符号（n>1），第一个字节的前 n 位都设为 1，第 n+1 位设为 0，后面字节的前两位一律设为 10。剩下的没有提及的二进制位，全部为这个符号的 Unicode 码。

下表总结了编码规则，字母 x 表示可用编码的位：

根据上表，解读 UTF-8 编码非常简单。如果一个字节的第一位是 0，则这个字节单独就是一个字符；如果第一位是 1，则连续有多少个 1，就表示当前字符占用多少个字节。

下面，还是以汉字"严"为例，演示如何实现 UTF-8 编码。

已知"严"的 Unicode 是 4E25（100111000100101），根据上表，可以发现 4E25 处在第三行的范围内（0000 0800 - 0000 FFFF），因此"严"的 UTF-8 编码需要三个字节，即格式是 1110xxxx 10xxxxxx 10xxxxxx。然后，从"严"的最后一个二进制位开始，依次从后向前填入格式中的 x，多出的位补 0。这样就得到了，"严"的 UTF-8 编码是 11100100 10111000 10100101，转换成十六进制就是 E4B8A5。

第二部分：Big Endian 和 Little Endian

Big Endian（大端法）是指低地址存放最高有效字节（MSB），而 Little Endian（小端法）则是低地址存放最低有效字节（LSB）。

通过文字理解可能比较抽象，下面用图像加以说明。下图是 0x12345678 在两种字节序中的存储顺序：

Big Endian

   低地址                                            高地址
   ----------------------------------------->
   +-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+
   |     12     |      34    |     56      |     78    |   
   +-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+

说明：上面是 0x12345678 对应 Big Endian 的存储方式。

1. 0x12345678 是 int 整数，它共有 4 个字节：分别是 0x12, 0x34, 0x56, 0x78；其中，0x12 是最高有效字节，0x78 是最低有效字节。int 占 4 个字节，这个是常识；0x12 是十六进制的表示方式，对应的二进制是 00010010，正好是 8 位，也就是 1 个字节；因此 0x12, 0x34, 0x56, 0x78 共是 4 个字节。
2. Big Endian 是将最高有效字节存储在低地址中，因为就是 0x12 (最高有效字节)，存在低地址；那么，从低往高地址依次存放 0x12 --> 0x34 --> 0x56 --> 0x78。也就是上面图像中的存储方式。

Little Endian

   低地址                                            高地址
   ----------------------------------------->
   +-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+
   |     78     |      56    |     34      |     12    |   
   +-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+

说明：上面是 0x12345678 对应 Little Endian 的存储方式。

1. 0x12345678 是 int 整数，它共有 4 个字节：分别是 0x12, 0x34, 0x56, 0x78；其中，0x12 是最高有效字节，0x78 是最低有效字节。
2. Little Endian 是将最低有效字节存储在低地址中，因为就是 0x78 (最低有效字节)，存在低地址；从低往高地址依次存放 0x78 --> 0x56 --> 0x34 --> 0x12。也就是上面图像中的存储方式。

Big Endian 和 Little Endian 判断方式

下面，我们通过示例程序来判断 CPU 是大端存储还是小端存储。
源码如下 (endian.c)：

#include <stdio.h>

int main(void) {
    int i = 0x12345678;
    char* pc = (char*)&i;
    if (*pc == 0x12) {
        printf("Big Endian\n");
    } else if (*pc == 0x78) {
        printf("Little Endian\n");
    }
    return 0;
}

我在 Ubuntu 16.04 系统下，运行的结果是"Little Endian"。

说明：本文技术原理部分长期有效。文中提到的测试环境（Ubuntu 16.04）较旧，但现代主流 x86/x64 架构处理器通常仍采用 Little Endian 字节序。

参考文献：字符编码笔记：ASCII，Unicode 和 UTF-8