计算机 编码 ASCII、GBK、Unicode、UTF-8和URL编码的区别

在计算机中，所有的数据在存储和运算时都要使用二进制数值表示（因为计算机用高电平和低电平分别表示1和0），而具体用哪些二进制数字表示哪个符号，当然每个人都可以约定自己的一套（这就叫编码），而大家如果要想互相通信而不造成混乱，那么大家就必须使用相同的编码规则，这就是统一编码的原因。简单来说编码就是字符与数值的对应关系。下面我们详细介绍不同编码的编码规则和应用。

ASCII码

ASCII码是由美国有关的标准化组织出台的，后来它被国际标准化组织（International Organization for Standardization, ISO）定为国际标准，称为ISO 646标准。该标准统一规定了常用字符（像a、b、c、d这样的52个字母（包括大写）以及0、1等数字还有一些常用的符号（例如：%、!、+等）总共128个字符）如何用二进制数来表示。ASCII分为标准ASCII 码使用7 位二进制数组合来表示128种字符和扩展ASCII的8 位二进制数组合来表示256种字符。

• 标准ASCII

0-127所包含的码称为标准ASCII编码，如：空格SPACE是32（二进制00100000），大写的字母a是97（二进制01100001）。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(8位)的后7位，最前面的一位统一规定为0。

下面是标准ASCII码表：

• 扩展ASCII码

后128个称为扩展ASCII码。扩展ASCII码允许将每个字符的第8 位用于确定附加的128 个特殊符号字符、外来语字母和图形符号；

下面是扩展ASCII码表：

在python中可以使用内置函数ord()查看单个字符的ASCII码，例如：

>>> ord('a')
97

ord() 函数实质是返回字符的 Unicode 码对应的十进制数值。例如

>>> ord("国")
22269

另外，ord()逆函数chr()查看编码对应的字符，例如：

>>> chr(97)
'a'
>>> chr(22269)
'国'

GBK

由于ASCII编码是不支持中文的，但又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。

由于中国汉字很多，有些字还是无法表示，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，包含了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,每个民族都有自己的文字，所以，对GBK编码规则进行了扩展，又加了近几千个少数民族的字符，再次扩展后得编码叫做GB18030，GBK字符是被包含在GB18030字符内的，与GBK基本向后兼容。GB18030共收录汉字70,244个.

Python中使用gbk和gb18030编码’韩’字：

>>> "韩".encode("gb18030")
b'\\xba\\xab'
>>> "韩".encode("gbk")
b'\\xba\\xab'

ANSI：

为使计算机支持更多的语言，通常使用 0x80~0xFFFF 范围内的2个字节来表示1个字符。比如：汉字 ‘中’ 在中文操作系统中，使用0xD6、0xD0这两个字节存储。但不同的国家和地区制定了不同的标准，由此产生了 GB2312、GBK、GB18030、Big5、Shift_JIS 等各自的编码标准。这些使用多个字节来代表一个字符的各种延伸编码方式，被称为 ANSI 编码。在简体中文Windows操作系统为中，ANSI 编码代表 GBK 编码；在繁体中文Windows操作系统中，ANSI编码代表Big5；而在日文Windows操作系统中，ANSI 编码代表 Shift_JIS 编码。不同 ANSI 编码之间互不兼容，当信息在国际间交流时，无法将属于两种语言的文字，存储在同一段 ANSI 编码的文本中。ANSI编码表示英文字符时用一个字节，表示中文用两个或四个字节。

Unicode

因为世界上有很多国家，而每个国家都定义一套自己的编码标准，结果相互之间无法解析编码进行通信，所以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，而是一套字符集（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。具体的符号对应表，可以查询，或者专门的汉字对应表。

在Python中查看字符对应Unicode数值的方法：

>>> "中".encode("unicode_escape")
b'\\\u4e2d'
>>> b'\\\u4e2d'.decode("unicode_escape")
'中'

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。比如，汉字严的 Unicode 是十六进制数4E25，转换成二进制数足足有15位（1001110 00100101），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。这里就有几个严重的问题，第一个问题是，计算机如何才能区别 Unicode 和 ASCII ？还有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？第二个问题是，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，这对于存储或传输来说是极大的浪费，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：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。也导致了Unicode 在很长一段时间内无法推广，直到UTF编码的出现。

UTF-8编码

由于Unicode比较浪费网络和硬盘资源，因此为了解决这个问题，就在Unicode的基础上，定制了一套编码规则（将「码位」转换为字节序列的规则【编码/解码 可以理解为 加密/解密 的过程】），这个新的编码规则就是UTF-8。UTF-8采用1-4个字符进行传输和存储数据，是一种针对Unicode的可变长度字符编码，又称万国码。

Unicode与Utf-8编码规则：使用下面的模板进行互转

Unicode符号范围（十六进制） | UTF-8编码方式(二进制)

————————————————————————

0000 0000-0000 007F | 0xxxxxxx

0000 0080-0000 07FF | 110xxxxx 10xxxxxx

0000 0800-0000 FFFF | 1110xxxx 10xxxxxx 10xxxxxx

0001 0000-0010 FFFF | 11110xxx 10xxxxxx 10xxxxxx 10xxxxxx

Unicode字符通过对应模板加上标志位就后是Utf-8编。例如：”迷” Unicode的编码为 \\\u8ff7 用二进制表示为：‭10001111 11110111‬，8ff7处于第三个模板范围内，把10001111 11110111 按模板分成三份 1000 111111 110111，然后加上标志位的二进制为：11101000 10111111 10110111 所以utf-8编码是”‭E8BFB7‬”

Python中Unicode字符转UTF-8编码：

>>>'迷'.encode('utf-8')
b'\\xe8\\xbf\\xb7'

那么如何区分utf-8各个字符的？utf-8区分每个字符的开始是根据编码的高位字节来区分的，比如：用一个字节表示的字符，第一个字节高位以”0″开头；用两个字节表示的字符，第一个字节的高位为以”110″开头，后面一个字节以”10开头”；用三个字节表示的字符，第一个字节以”1110″开头，后面两个字节以”10″开头；用四个字节表示的字符，第一个字节以”11110″开头，后面的三个字节以”10″开头。这样计算机就可以认出每个字符由几个字节组成，才能显示出正确的信息。

UTF-8和Unicode转换

比如汉字”智”，utf-8编码是”\\xe6\\x99\\xba”对应的二进制为：”11100110 10011001 10111010″，由于utf-8中一个汉字是3个字节，所以对应的模板为：

0000 0800-0000 FFFF | 1110xxxx 10xxxxxx 10xxxxxx

11100110 10011001 10111010 | UTF-8编码成的二进制1110xxxx 10xxxxxx 10xxxxxx | 对应模版 0110 011001 111010 |去除模版中的标志位后01100110 01111010代表十六进制667A，因此根据规则转换得出”智”Unicode的编码为667A。

同样，根据Unicode中字符的编码位置，也能找到对应的utf-8编码。例如：UTF-8编码：\\xe8\\xbf\\xb7，用二进制表示为：‭11101000 10111111 10110111‬，有3个字节属于第三个模板范围，按模板去掉标志位后是：1000 111111 110111，结果就是’迷’字的Unicode字符 8ff7。

>>> b'\\\u8ff7'.decode('unicode_escape')
'迷'

Unicode与GBK编码的转换

Unicode 与 GBK 是两个完全不同的字符编码方案, 其两者没有直接关系。如果要对其进行相

互转换, 最直接最高效的方法是查询各自的字符对照表。

Python实现Unicode与GBK转换（将Unicode对应数值：\\\u8ff7转GBK字符方法）：

>>> l_u = b'\\\u8ff7'.decode('unicode_escape')
>>> l_u.encode('gbk')
b'\\xc3\\xd4'

UTF-8、Unicode与GBK的关系

Utf-8（utf-16）====编码====Unicode=====编码=====GBK（ANSI）

Utf-8（utf-16）====解码====Unicode===解码=======GBK（ANSI）

总结：Unicode字符可以通过编码可以得到UTF-8和GBK，相反UTF-8和GBK也可以通过解码得到Unicode，但GBK和UTF-8之间无法直接转换，只能转换到Unicode后再转到另一编码。其实所谓编码转换是数值与字符的转换。

URL编码 /解码

URL编码就是一个字符ascii码的十六进制。不过稍微有些变动，需要在前面加上”%”。比如”\”，它的ascii码是92，92的十六进制是5c，所以”\”的URL编码就是%5c。那么汉字的URL编码呢？很简单，非ASCII字符的编码一般有两种，是以GBK或UTF8进行编码。例如：”迷” 对应的UTF-8编码\\xe8\\xbf\\xb7，则”胡”的URL编码是%E8%BF%B7。解码方法是去掉%，之后再进行UTF-8解码，就可以得到实际的字符了。

计算机是以什么编码存储和传输数据的呢？

支持Unicode的应用程序（python、VS、VC、Google Chrome、notepad等大多数程序都支持（部分程序需要设置编码）。

不支持Unicode的应用程序（易语言等）则会以控制面板—区域—管理中设置的编码（ANSI）进行存储，例如：简体中文(GBK)、繁体中文(Big5)等。

例如：以国产编程语言‘易语言’为例，看一下变量在内存中是以什么编码存储的

a ＝ "你"
调试输出 (取指针地址_文本型 (a))

* 1966420

通过CE查看此内存地址中对应的值为0000E3C4，而”你”的GBK编码正好为：E3C4。由此得知，易语言软件是以GBK编码进行数据存储和传输的。

再看看数据在内存中如何存储：

· 使用OD查看

· 使用CE查看

多字符变量”你好啊”的GBK字符：c4e3bac3b0a1

OD:

CE（8字节显示）:

由此可以看出，内存的存储编码方式与软件支持的编码方式是一致的（易语言：GBK字符；python：Unicode字符）；计算机内存数据存储一般采用大端模式(内存高位对数据低位，内存低位对数据高位) 。OD默认是从内存低位到高位显示数据，CE默认是从内存高位到低位显示数据，所以看到的十六进制数值是相反的。存储占用的内存大小，会根据变量的数据类型申请对应大小的内存来存储。