精华内容
参与话题
问答
  • Unicode编码ASCII编码

    2020-02-02 18:06:30
    众所周知,计算机是以二进制的形式存储数据的,它只认识由01组成的机器码而我们使用的编程语言不管是C语言也好Python也好,都是会转换成汇编语言,再转换成机器码,计算机才能识别。那么,文字与二进制之间有着...

    众所周知,计算机是以二进制的形式存储数据的,它只认识由0和1组成的机器码而我们使用的编程语言不管是C语言也好Python也好,都是会转换成汇编语言,再转换成机器码,计算机才能识别。那么,文字与二进制之间有着怎样的对应关系呢?这之间的转换又有怎样的规范呢?

    ASCII码

    由于计算机诞生于美国,而早期的计算机使用者大多使用英文,上世纪60年代,美国制定了一套英文字符与二进制位的对应关系,称为ASCII码,沿用至今。

    一个二进制位(Bit)有0、1两种状态,一个字节(Byte)有8个二进制位,有256种状态,每种状态对应一个符号,就是256个符号,从00000000到11111111

    ASCII码规定了128个英文字符与二进制的对应关系,占用一个字节(实际上只占用了一个字节的后面7位,最前面1位统一规定为0)。
    下面就是ASCII码表。
    在这里插入图片描述

    Unicode编码

    随着计算机的流行,使用计算机的人越来越多,这个时候ASCII编码的问题就凸现出来了。

    ASCII编码只占用1个字节,也就是说最多只能表示256个字符。那么数万汉字怎么表示?日语韩语拉丁语等等象形文字又该怎么表示?所以90年代又制定了一套新的规范,将全世界范围内的字符统一使用一种方式在计算机中表示,这就是Unicode编码(Unique Code)。

    Unicode 是一个很大的集合,现在的规模可以容纳100多万个符号,每个符号的对应的二进制都不一样。Unicode 规定可以使用多个字节表示一个字符,例如 a 的编码为 01100001,一个字节就够了,”好“的编码为 01011001 01111101,需要两个字节。
    完整的Unicode编码请查看:https://home.unicode.org/

    展开全文
  • ASCII和Unicode编码

    千次阅读 2012-04-25 17:33:55
     很久很久以前,有一群人,他们决定用8个可以开合的晶体管来组合成不同的状态,以表示世界上的万物。他们看到8个开关状态是好的,于是他们把这称为"字节"。 再后来,他们又做了一些可以处理这些字节的机器,机器...

    原文:http://blog.csdn.net/hjsunj/article/details/2223766
        很久很久以前,有一群人,他们决定用8个可以开合的晶体管来组合成不同的状态,以表示世界上的万物。他们看到8个开关状态是好的,于是他们把这称为"字节"。
    再后来,他们又做了一些可以处理这些字节的机器,机器开动了,可以用字节来组合出很多状态,状态开始变来变去。他们看到这样是好的,于是它们就这机器称为"计算机"。

        开始计算机只在美国用。八位的字节一共可以组合出256(2的8次方)种不同的状态。

        他们把其中的编号从0开始的32种状态分别规定了特殊的用途,一但终端、打印机遇上约定好的这些字节被传过来时,就要做一些约定的动作。遇上00x10, 终端就换行,遇上0x07, 终端就向人们嘟嘟叫,例好遇上0x1b, 打印机就打印反白的字,或者终端就用彩色显示字母。他们看到这样很好,于是就把这些0x20以下的字节状态称为"控制码"。
    他们又把所有的空 格、标点符号、数字、大小写字母分别用连续的字节状态表示,一直编到了第127号,这样计算机就可以用不同字节来存储英语的文字了。大家看到这样,都感觉 很好,于是大家都把这个方案叫做 ANSI 的"Ascii"编码(American Standard Code for Information Interchange,美国信息互换标准代码)。当时世界上所有的计算机都用同样的ASCII方案来保存英文文字。
        后来,就像建造巴比伦塔 一样,世界各地的都开始使用计算机,但是很多国家用的不是英文,他们的字母里有许多是ASCII里没有的,为了可以在计算机保存他们的文字,他们决定采用 127号之后的空位来表示这些新的字母、符号,还加入了很多画表格时需要用下到的横线、竖线、交叉等形状,一直把序号编到了最后一个状态255。从128 到255这一页的字符集被称"扩展字符集"。从此之后,贪婪的人类再没有新的状态可以用了,美帝国主义可能没有想到还有第三世界国家的人们也希望可以用到 计算机吧!
    等中国人们得到计算机时,已经没有可以利用的字节状态来表示汉字,况且有6000多个常用汉字需要保存呢。但是这难不倒智慧的中国 人民,我们不客气地把那些127号之后的奇异符号们直接取消掉, 规定:一个小于127的字符的意义与原来相同,但两个大于127的字符连在一起时,就表示一个汉字,前面的一个字节(他称之为高字节)从0xA1用到 0xF7,后面一个字节(低字节)从0xA1到0xFE,这样我们就可以组合出大约7000多个简体汉字了。在这些编码里,我们还把数学符号、罗马希腊的 字母、日文的假名们都编进去了,连在 ASCII 里本来就有的数字、标点、字母都统统重新编了两个字节长的编码,这就是常说的"全角"字符,而原来在127号以下的那些就叫"半角"字符了。
    中国人民看到这样很不错,于是就把这种汉字方案叫做 "GB2312"。GB2312 是对 ASCII 的中文扩展。
    但是中国的汉字太多了,我们很快就就发现有许多人的人名没有办法在这里打出来,特别是某些很会麻烦别人的国家领导人。于是我们不得不继续把 GB2312 没有用到的码位找出来老实不客气地用上。
        后来还是不够用,于是干脆不再要求低字节一定是127号之后的内码,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。结果扩展之后的编码方案被称为 GBK 标准,GBK 包括了 GB2312 的所有内容,同时又增加了近20000个新的汉字(包括繁体字)和符号。
        后来少数民族也要用电脑了,于是我们再扩展,又加了几千个新的少数民族的字,GBK 扩成了 GB18030。从此之后,中华民族的文化就可以在计算机时代中传承了。
    中 国的程序员们看到这一系列汉字编码的标准是好的,于是通称他们叫做 "DBCS"(Double Byte Charecter Set 双字节字符集)。在DBCS系列标准里,最大的特点是两字节长的汉字字符和一字节长的英文字符并存于同一套编码方案里,因此他们写的程序为了支持中文处 理,必须要注意字串里的每一个字节的值,如果这个值是大于127的,那么就认为一个双字节字符集里的字符出现了。那时候凡是受过加持,会编程的计算机僧侣 们都要每天念下面这个咒语数百遍:
    "一个汉字算两个英文字符!一个汉字算两个英文字符……"

        因为当时各个国家都像中国这样 搞出一套自己的编码标准,结果互相之间谁也不懂谁的编码,谁也不支持别人的编码,连大陆和台湾这样只相隔了150海里,使用着同一种语言的兄弟地区,也分 别采用了不同的 DBCS 编码方案——当时的中国人想让电脑显示汉字,就必须装上一个"汉字系统",专门用来处理汉字的显示、输入的问题,但是那个台湾的愚昧封建人士写的算命程序 就必须加装另一套支持 BIG5 编码的什么"倚天汉字系统"才可以用,装错了字符系统,显示就会乱了套!这怎么办?而且世界民族之林中还有那些一时用不上电脑的穷苦人民,他们的文字又怎 么办?
    真是计算机的巴比伦塔命题啊!
        正在这时,大天使加百列及时出现了——一个叫 ISO (国际标谁化组织)的国际组织决定着手解决这个问题。他们采用的方法很简单:废了所有的地区性编码方案,重新搞一个包括了地球上所有文化、所有字母和符号 的编码!他们打算叫它"Universal Multiple-Octet Coded Character Set",简称 UCS, 俗称 "UNICODE"。
        UNICODE 开始制订时,计算机的存储器容量极大地发展了,空间再也不成为问题了。于是 ISO 就直接规定必须用两个字节,也就是16位来统一表示所有的字符,对于ascii里的那些“半角”字符,UNICODE 包持其原编码不变,只是将其长度由原来的8位扩展为16位,而其他文化和语言的字符则全部重新统一编码。由于"半角"英文符号只需要用到低8位,所以其高 8位永远是0,因此这种大气的方案在保存英文文本时会多浪费一倍的空间。
        这时候,从旧社会里走过来的程序员开始发现一个奇怪的现象:他们的 strlen函数靠不住了,一个汉字不再是相当于两个字符了,而是一个!是的,从 UNICODE 开始,无论是半角的英文字母,还是全角的汉字,它们都是统一的"一个字符"!同时,也都是统一的"两个字节",请注意"字符"和"字节"两个术语的不同, “字节”是一个8位的物理存贮单元,而“字符”则是一个文化相关的符号。在UNICODE 中,一个字符就是两个字节。一个汉字算两个英文字符的时代已经快过去了。
        从前多种字符集存在时,那些做多语言软件的公司遇上过很大麻烦,他们 为了在不同的国家销售同一套软件,就不得不在区域化软件时也加持那个双字节字符集咒语,不仅要处处小心不要搞错,还要把软件中的文字在不同的字符集中转来 转去。UNICODE 对于他们来说是一个很好的一揽子解决方案,于是从 Windows NT 开始,MS 趁机把它们的操作系统改了一遍,把所有的核心代码都改成了用 UNICODE 方式工作的版本,从这时开始,WINDOWS 系统终于无需要加装各种本土语言系统,就可以显示全世界上所有文化的字符了。
        但是,UNICODE 在制订时没有考虑与任何一种现有的编码方案保持兼容,这使得 GBK 与UNICODE 在汉字的内码编排上完全是不一样的,没有一种简单的算术方法可以把文本内容从UNICODE编码和另一种编码进行转换,这种转换必须通过查表来进行。
        如前所述,UNICODE 是用两个字节来表示为一个字符,他总共可以组合出65535不同的字符,这大概已经可以覆盖世界上所有文化的符号。如果还不够也没有关系,ISO已经准备 了UCS-4方案,说简单了就是四个字节来表示一个字符,这样我们就可以组合出21亿个不同的字符出来(最高位有其他用途),这大概可以用到银河联邦成立 那一天吧!

        UNICODE 来到时,一起到来的还有计算机网络的兴起,UNICODE 如何在网络上传输也是一个必须考虑的问题,于是面向传输的众多 UTF(UCS Transfer Format)标准出现了,顾名思义,UTF8就是每次8个位传输数据,而UTF16就是每次16个位,只不过为了传输时的可靠性,从UNICODE到 UTF时并不是直接的对应,而是要过一些算法和规则来转换。
        受到过网络编程加持的计算机僧侣们都知道,在网络里传递信息时有一个很重要的问 题,就是对于数据高低位的解读方式,一些计算机是采用低位先发送的方法,例如我们PC机采用的 INTEL 架构,而另一些是采用高位先发送的方式,在网络中交换数据时,为了核对双方对于高低位的认识是否是一致的,采用了一种很简便的方法,就是在文本流的开始时 向对方发送一个标志符——如果之后的文本是高位在位,那就发送"FEFF",反之,则发送"FFFE"。不信你可以用二进制方式打开一个UTF-X格式的 文件,看看开头两个字节是不是这两个字节?

        讲到这里,我们再顺便说说一个很著名的奇怪现象:当你在 windows 的记事本里新建一个文件,输入"联通"两个字之后,保存,关闭,然后再次打开,你会发现这两个字已经消失了,代之的是几个乱码!呵呵,有人说这就是联通之所以拼不过移动的原因。
    其实这是因为GB2312编码与UTF8编码产生了编码冲撞的原因。
    从网上引来一段从UNICODE到UTF8的转换规则:

     

    Unicode
    UTF-8

    0000 - 007F
    0xxxxxxx

    0080 - 07FF
    110xxxxx 10xxxxxx

    0800 - FFFF
    1110xxxx 10xxxxxx 10xxxxxx

     


        例如"汉"字的Unicode编码是6C49。6C49在0800-FFFF之间,所以要用3字节模板:1110xxxx 10xxxxxx 10xxxxxx。将6C49写成二进制是:0110 1100 0100 1001,将这个比特流按三字节模板的分段方法分为0110 110001 001001,依次代替模板中的x,得到:1110-0110 10-110001 10-001001,即E6 B1 89,这就是其UTF8的编码。
    而当你新建一个文本文件时,记事本的编码默认是ANSI, 如果你在ANSI的编码输入汉字,那么他实际就是GB系列的编码方式,在这种编码下,"联通"的内码是:
    c1 1100 0001
    aa 1010 1010
    cd 1100 1101
    a8 1010 1000
        注意到了吗?第一二个字节、第三四个字节的起始部分的都是"110"和"10",正好与UTF8规则里的两字节模板是一致的,于是再次打开记事本时,记事本 就误认为这是一个UTF8编码的文件,让我们把第一个字节的110和第二个字节的10去掉,我们就得到了"00001 101010",再把各位对齐,补上前导的0,就得到了"0000 0000 0110 1010",不好意思,这是UNICODE的006A,也就是小写的字母"j",而之后的两字节用UTF8解码之后是0368,这个字符什么也不是。这就 是只有"联通"两个字的文件没有办法在记事本里正常显示的原因。
        而如果你在"联通"之后多输入几个字,其他的字的编码不见得又恰好是110和10开始的字节,这样再次打开时,记事本就不会坚持这是一个utf8编码的文件,而会用ANSI的方式解读之,这时乱码又不出现了。

      如果你要测试"abc汉字"这个串的长度,在没有n前缀的数据类型里,这个字串是7个字符的长度,因为一个汉字相当于两个字符。而在有n前缀的数据类型里,同样的测试串长度的函数将会告诉你是5个字符,因为一个汉字就是一个字符。

    展开全文
  • java是从C++的基础上衍生出来的,把C++当做java的基础,...首先看基础数据类型的不同,对比一下C++java基础类型占用空间如下图: 可以看出: 1)java有的C++都有; 2)java没有C++基础类型的派生类型(就是字符型c

    java是从C++的基础上衍生出来的,把C++当做java的基础,相较其它语言它们必定更相近,当然作为C++的改进版,从java改进的地方我们可以窥见出这种语言为什么能如此盛行,为什么能与老牌基础语言一争高下。

    首先看基础数据类型的不同,对比一下C++和java基础类型占用空间如下图:


    可以看出:

    1)java有的基础数据类型C++都有;

    2)java里没有C++基础类型的派生类型(就是字符型char、整型int等有没有修饰符号sign、长long短short等);

    3)两种语言相同数据类型的存储空间大致相同,除了字符型char。


    C++的char只占1byte,而java却要占2bytes,这是为什么呢?

    我们看它们的取值范围:C++字符型的取值范围是全部基本字符以及ASCII码集或扩充ASCII码集对应的全部符号;JAVA字符型的取值范围是Unicode字符集


    ok,那么什么是ASCII码?什么又是Unicode码?

    这,就要追溯到晶体管了,简单的讲就是有个实验室发明了晶体管,每个晶体管可以表达一个二进制存储信息1bit(0、1)。计算机都是二进制存储的嘛,但是所有的数据都要这么精确表示就累死计算机了。所以有群人认为8个晶体管(历史上曾经4、6过,只是现在8位横行天下)可以表达一切信息,就发展成了现在最小的存储单元——字节byte,所以1Byte=8bit

    一个8位的字节可以有2的8次方(256)种表示,最开始使用计算机的那拨人就把这256种规定了一下,0到32用作特殊用途,接点其他电子设备等等,之后用到的33到127位都是键盘上的键,这就是最初的ASCII(American Standard Code for Information Interchange,美国信息互换标准代码)。后来为了编辑表格,又填了点横竖线什么的,因此128到255这部分叫“扩展字符集”。详情参见:百度百科:ASCII

    当然当非英语国家使用计算机的时候,这128种里可没有他们的文字符号,怎么办?把127号后面全删了,构建我们自己的新标准,然后世界各地又兴起了一堆标准,比如中国的编码标准,把俩ASCII码凑一起表示中国字的双字节的GB2312

    标准这么多,对编码就相当麻烦,没对上是很容易乱码,于是乎就得统一统一。统一首先解决字符不够的问题。重点就来了,新的标准直接采用双字节做一个存储单位,无论英文半角、还是中文全角的都用潇洒的占了一个2bytes的空间。这就是豪华大气的为统一全世界语言文字而诞生的Unicode编码

    两个8位的字节可以有2的16次方(65536)种表示,基本字符已经妥妥的包括了。没包含的也有办法,为您准备了豪华UCS-4套餐,32bit,2的32次方,可以表达42亿+,还是够现代人使用的。当然目前USC-4这种方法最大的特点还是啰嗦,放心,我们一般不用它。

    说到啰嗦,半角的英文占个2bytes的空间也是让我们感觉浪费,存储一篇英文文件,一半的空间用来装Unicode的高冷了。所以,Unicode又分成了UTF8(8位,网页比较流行)党和UTF16(16位,Windows模式下)党。


    说了这么多,ASCII和Unicode差不多已经解释完了。

    对比两种编码ASCII老牌,Unicode实现了大一统。java能开源,Unicode功不可没。索性Windows NT已经支持Unicode了,非相同语言的系统下交流Unicode可能比较好使,比如Windows的记事本。


    这里有一个著名的现象,在Windows下新建一个txt文件,输入“联通”,保存→关闭→再打开,再出现的就是乱码。

    展开全文
  • ASCII编码和Unicode编码

    2020-01-01 11:39:36
    1、ASCII编码: 1、ASCII 2、 2、Unicode编码 1、 Unicode码 2、彻底弄懂 Unicode 编码 3、一粒卑微的尘埃 4、

    1、ASCII编码:

    1、ASCII

    2、

     

     

     

    2、Unicode编码

    1、 Unicode码

    2、彻底弄懂 Unicode 编码

    3、一粒卑微的尘埃

    4、

    展开全文
  • ASCII 扩展了ASCII的定义,使用一...为了把全世界人民所有的所有的文字符号都统一进行编码,于是制定了UNICODE标准字符集。 UNICODE 使用2个字节表示一个字符(unsigned shor int、WCHAR、_wchar_t、OLECHAR)。这下终
  • native2ascii unicode编码和中文转换

    千次阅读 2014-01-07 15:07:46
    原文地址:http://niewj.iteye.com/blog/10686672011-1-61.找到jdk的bin目录: 进入到jdk的bin之下,有一个native2ascii.exe,就是它!Cmd代码 “运行”-“cmd”-“cd %JAVA_HOME%/bin” 2.在我的目录“C:/nie/”...
  • ASCII控制字符 Unicode编码  ASCII(American Standard Code for Information Interchange,美国信息互换标准代码,ASCⅡ)是基于拉丁字母的一套电脑编码系统。它主要用于显示现代英语其他西欧语言。它是现今最...
  • ascii编码和gb2312编码和和UNICODE编码和utf-8编码的关系 开始计算机只在美国用。八位的字节一共可以组合出256(2的8次方)种不同的状态。他们又把所有的空格、标点符号、数字、大小写字母分别用连续的字节状态表示,...
  • #include #include #include #include #include using namespace std;...inline void Ascii2WideString( const std::string& src, std::wstring& dest ); //wstring转string inline void WideS
  • 主要介绍了vbs实现unicode和ascii编码转换,本文同时介绍了OpenTextFile和CreateTextFile的使用,需要的朋友可以参考下
  • ASCII编码和Unicode编码的区别

    千次阅读 2018-12-13 15:43:03
    ASCII编码是1个字节,而Unicode编码通常是2个字节。 字母A用ASCII编码是十进制的65,二进制的01000001; 字符0用ASCII编码是十进制的48,二进制的00110000,注意字符’0’整数0是不同的; 汉字中已经超出了ASCII...
  • 编码背景 因为计算机只能处理数字,如果要处理文本,就必须先把文本转换为数字才能处理。最早的计算机在设计时采用8个比特(bit)作为一个字节(byte),所以,一个字节能表示的最大的整数就是255(二进制11111111=...
  • ASCII和unicode编码区别

    千次阅读 2017-09-27 15:23:37
    ASCII编码和Unicode编码使我们编程过程中很重要的编码方式 ASCII就是编码英文的26个字母和一些常见的符号,之后扩展了一半。总之是一个字节来做编码,大于128的部分是一些特殊符号。但ASCII是无法编码别的东西的,...
  • ASCII和Unicode编码详解

    千次阅读 2014-10-23 22:08:51
    本文参考大量维基百科网络大牛的文章,并结合实际例子,试图帮助大家理清计算机的编码问题,从而更加高效的编写程序。 一. 知识补充 1.1 位 我们常说的位是指比特位,即bit,每一个bit位存储一个0或者1。...
  • UNICODE 是目前用来解决 ASCII 码 256 个字符限制问题的一种比较流行的解决方案。大家知道,ASCII 字符集只有256个字符,用 0-255 之间的数字来表示。包括大小写字母、数字以及少数特殊字符;如标点符号、货币符号等...
  • ASCII和Unicode编码的区别

    万次阅读 多人点赞 2018-05-29 18:53:53
    支持语言ASCII 1个字节 英文Unicode 2个字节(生僻字4个) 所有语言UTF-8 1-6个字节,英文字母1个字节,汉字3个字节,生僻字4-6个字节 所有语言具体解释:最早只有127个字母被编码到计算机里,也就是大小写英文字母...
  • 归纳: 编码 大小 支持语言 ASCII 1个字节 英文 Unicode ...最早只有127个字母被编码到计算机里,也就是大小写英文字母、数字一些符号,这个编码表被称为ASCII编码,比如大写字母A...
  • 文本文件的编码格式 文本文件存储的内容是基于 字符编码 的文件,常见的编码有 ASCII 编码...1. ASCII 编码和 UNICODE 编码 ASCII 编码 计算机中只有 256 个 ASCII 字符 一个 ASCII 在内存中占用 1 个字节 的空间 ...
  • 一、什么是编码?  最直接而简单而又形象的形容就是——把我们现在所接触到文字变成一种只有01的计算机识别语言。形象地说,一种信息在进入计算机时候会转换成01电脉冲信号,这种转换过程计算机就像不断的把...
  • Visual Studio里的ASCII编码和unicode编码

    千次阅读 2016-08-09 20:16:52
    ASCII码是较早期使用的编码,用单字节表述,只能表示255种字符,远远不能...2 Windows对于unicode的支持非常重视,其底层API全部都是unicode编码,COM组件也必须使用unicode编码  从VS 2010开始,所有新建的项目

空空如也

1 2 3 4 5 ... 20
收藏数 5,493
精华内容 2,197
关键字:

unicode编码和ascii