一、什么是编码以及为什么要编码

之前说过，在计算机中，数据都是以01序列的方式存储，但实际上的存储并不是把一个无限长的序列扔进去就好了那么简单。在存储中，一个二进制位能表示一个0或者一个1，在同一时刻一位只能表示0和1中一个。一个二进制位称为一个比特（bit，常用小写b表示）。计算机存储以八个二进制位，也就是八个比特为一个单元，称为一个字节（Byte，用大写B表示）。具体来说字节又是如何存在的，这个到后面讲到内存那部分再说。现在只要知道计算机以一个字节为一个存储单位就好了。我们常说的硬盘容量，或者说某个文件多大，指的就是字节。一般你去办宽带，说几百M，指的是比特，除以8到10就是字节，为什么还有可能是10呢？这和计算机的进制有关系，你知道计算机是二进制，我们常用2的十次方作为一个单位，比如1个字节是1B，2的10次方个字节是1KB，2的20次方个字节是1MB，30次方是1GB，40次方是1TB，再大的也还有，一般家用很少会到更大了。所以就是1GB=2^10MB=2^20KB=2^30B。理论上是1024为一个节点，但是很多厂家，硬盘厂家或者其他的制造存储器的为了省事，以1000为一个节点，所以就有1GB=10^3MB=10^6KB=10^9B，这种近似算法。网络也一样，宽带服务商告诉你你家是300Mb宽带，实际上的速度可能是300/8，也可能是300/10，这都无所谓，都差不多的。

编码是什么，就是规定数据存放在字节中的方式，比如说，我规定用1代表字母a，2代表字母b，也可以不按顺序，规定3代表字母q，都没有问题，那么计算机读取一个字节，然后判断其中数字就知道这个数字对应的字母是哪个，给你显示出来，如果你和你很多的朋友都约定好用哪个数字代表哪个字母，那么你们互相发送一个01序列，这里说是很多个字节更准确了，你们彼此都能解析出这些字节代表的含义，不会错误，这就是什么是编码以及为什么要编码，就好像特务用的密电码本一样，双方约定好将一种通信方式A转换为另一种表达方式B，就都可以理解对方了，这里的双方指的是你和计算机，以及你的计算机和别人的计算机。

说句题外话，字节是计算机世界的基础，就好像盖楼的砖一样，所以张一鸣创立字节跳动，希望计算机能够活起来。

二、常见的编码方式

1. ASCII编码

说到计算机编码，那必须要说ASCII编码，这是流传最广，使用最多的编码方式。

ASCII (American Standard Code for Information Interchange)：美国信息交换标准代码是基于拉丁字母的一套电脑编码系统，主要用于显示现代英语和其他西欧语言。它是最通用的信息交换标准，并等同于国际标准 ISO/IEC 646。ASCII第一次以规范标准的类型发表是在1967年，最后一次更新则是在1986年，到目前为止共定义了128个字符。

简单的说，ASCII编码使用一个字节表示字符，一个字节是8个二进制位，最多能表示256个字符，但是最早的时候只用了128个，因为一些后面才会知道的原因，把最高位舍弃掉了，只用了低七位，1981年IBM PC ROM256个字符的字符集，即IBM扩展字符集，后面的很少用，我们基本不管。我们来看一下对照表吧。ASCII中有很多是控制字符，比如退格符，制表符等，这些等你学到编程语言的时候会接触的更多，现在没必要太深究，主要是熟悉一下常用的数字和字母的位置，大概要记住0的位置，大写A的位置，小写a的位置，然后顺次的加就能得到其他字符了。熟悉这些之后，随便给一个十进制数字，你要能反应过来应该对应于哪一段的字符就好了。

常见ASCII码的大小规则：数字< 大写字母 < 小写字母。

1.数字比字母要小。如 “7”<“F”；

2.数字0比数字9要小，并按0到9顺序递增。如 “3”<“8” ；

3.字母A比字母Z要小，并按A到Z顺序递增。如“A”<“Z” ；

4.同个字母的大写字母比小写字母要小32。如“A”<“a” 。

几个常见字母的ASCII码大小： “A”为65；“a”为97；“0”为 48 [4] 。

ASCII编码使用太广泛了，基本上任何一个电子设备都支持，这是最基础的编码了。

2.UTF-8编码

ASCII之所以能取得成功，是因为英文字母少，非常固定，所以用一个字节就能表示需要的所有内容了。而对于早期的计算机，解析一个字节当然更快更方便，如果需要多个字节肯定会更耗时。但是世界上存在很多很多语言，比如中文，光是常用字就几千个，随便数数都有几万个汉字，还有像韩语、日语等等这些象形文字类型的语言，比英语复杂的太多太多。每个国家都有自己的编码（也称为字符集），比如中国的GB（国标）系列，西欧也有自己的，日本也有自己的。如果你和一个外国人通信，就要把你的输入转换成GB编码，发给对方，人家按照GB编码解析出来，如果这个过程中你们不知道彼此用的什么编码，那就会解析出乱码，对，这就是乱码的产生。所以大家发明了UTF系列编码。

UTF-8（8位元，Universal Character Set/Unicode Transformation Format）是针对Unicode的一种可变长度字符编码。它可以用来表示Unicode标准中的任何字符，而且其编码中的第一个字节仍与ASCII相容，使得原来处理ASCII字符的软件无须或只进行少部分修改后，便可继续使用。因此，它逐渐成为电子邮件、网页及其他存储或传送文字的应用中，优先采用的编码。那么Unicode是什么呢？统一码（Unicode），也叫万国码、单一码，是计算机科学领域里的一项业界标准，包括字符集、编码方案等。Unicode是为了解决传统的字符编码方案的局限而产生的，它为每种语言中的每个字符设定了统一并且唯一的二进制编码，以满足跨语言、跨平台进行文本转换、处理的要求。在Unicode官方资料中，Unicode的编码方式有三种：UTF-8、UTF-16、UTF-32。由于UTF-8与字节序无关（无需BOM），同时兼容ASCII编码，使得UTF-8编码成为现今互联网信息编码标准而被广泛使用。这就是人类的伟大，制定了一个包括所有常见语言的字符集（也有一些很偏僻的语言没有收录，比如非洲部落语言）。顺便说一下BOM是什么。BOM（Byte Order Mark），字节顺序标记，出现在文本文件头部，Unicode编码标准中用于标识文件是采用哪种格式的编码。其实就是标志我用什么编码方式存储的。具体为什么有的编码方式需要BOM，有的不需要，以后再说吧。

好啦，了解了UTF-8的背景，我们来看看UTF-8的实现吧。

• UTF-8使用1~4字节为每个字符编码：
• 一个US-ASCIl字符只需1字节编码（Unicode范围由U+0000~U+007F）。
• 带有变音符号的拉丁文、希腊文、西里尔字母、亚美尼亚语、希伯来文、阿拉伯文、叙利亚文等字母则需要2字节编码（Unicode范围由U+0080~U+07FF）。
• 其他语言的字符（包括中日韩文字、东南亚文字、中东文字等）包含了大部分常用字，使用3字节编码。
• 其他极少使用的语言字符使用4字节编码。

一般中文是两个字节。你对这些有个基本概念就好，没必要深究。

三、编码方式的演变

以下摘自网络文章

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，他们就把这机器称为”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 00×10, 终端就换行，遇上0×07, 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0×20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。

后来计算机发展越来越广泛，世界各国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”。但是原有的编号方法，已经再也放不下更多的编码。

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。于是国人就自主研发，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，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。

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。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，装错了字符系统，显示就会乱了套。这怎么办？就在这时，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。

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。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。

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。

看完这些，相信你对于这几个编码关系等，了解的比较清楚了吧。我再来简单的总结一下：

● 中国人民通过对 ASCII 编码的中文扩充改造，产生了 GB2312 编码，可以表示6000多个常用汉字。

● 汉字实在是太多了，包括繁体和各种字符，于是产生了 GBK 编码，它包括了 GB2312 中的编码，同时扩充了很多。

● 中国是个多民族国家，各个民族几乎都有自己独立的语言系统，为了表示那些字符，继续把 GBK 编码扩充为 GB18030 编码。

● 每个国家都像中国一样，把自己的语言编码，于是出现了各种各样的编码，如果你不安装相应的编码，就无法解释相应编码想表达的内容。

● 终于，有个叫 ISO 的组织看不下去了。他们一起创造了一种编码 UNICODE ，这种编码非常大，大到可以容纳世界上任何一个文字和标志。所以只要电脑上有 UNICODE 这种编码系统，无论是全球哪种文字，只需要保存文件的时候，保存成 UNICODE 编码就可以被其他电脑正常解释。

● UNICODE 在网络传输中，出现了两个标准 UTF-8 和 UTF-16，分别每次传输 8个位和 16个位。

于是就会有人产生疑问，UTF-8 既然能保存那么多文字、符号，为什么国内还有这么多使用 GBK 等编码的人？因为 UTF-8 等编码体积比较大，占电脑空间比较多，如果面向的使用人群绝大部分都是中国人，用 GBK 等编码也可以。但是目前的电脑来看，硬盘都是白菜价，电脑性能也已经足够无视这点性能的消耗了。所以推荐所有的网页使用统一编码：UTF-8。

其实为什么要讲这一节呢，主要是想说一下汉字的编码演化，这里面有着好玩的故事。那就是改变中国计算机历史的王选激光照排技术。

以下内容摘自《中国汉字往事：计算机时代，谁阻止了中国汉字「拉丁字母化」？》

https://baijiahao.baidu.com/s?id=1677253745434057110&wfr=spider&for=pc

美国发明的电子计算机，也是美国首先将文字录入计算机，刚才说了，英语字母数量固定而且很少，非常容易录入，实际上应该叫做数字信息化。相比之下，在当时中文是无法录入的，没有任何办法可以把如此复杂的汉语体系纳入计算机。当时很多人开始怀疑中文能否进入计算机世界，我们还是否要保留中文。70年代的中国，字符的编码方式主要是黑白线段法和轮廓法。这两种编码方式有个巨大的缺点，那就是每一个字符需要占用极大的存储空间（以当时标准来说）。但对于西方国家来说，大部分的文字仅由20到30个字母组成，哪怕每个字母安排10种字体，数据也不会大到哪里去。而汉字仅一二级字库就有近7000个汉字，再加上数十种常用字体、字体大小等，相关数据要是按照当时的编码的话，需要占用数G的存储空间。所以当时很多的科研人员反对数字化排版，再加上当时遇到的计算机汉字输入问题，部分学者甚至发表了一些类似于「汉字不适应计算机的发展」的极端言论。汉字拉丁化的论调，也重新被翻了出来。

1974年8月，四机部联合一机部、中科院、新华社、国家出版局联名向国家计委、国务院，呈送了一份关于将汉字信息处理系统工程作为国家重点科研项目计划予以立项的报告。1974年9月，国家计委发文批复，同意将汉字信息处理系统工程列入国家科学技术发展计划，并命令四机部召集成立汉字信息处理系统工程（748工程），后来王选研发的激光照排技术就是748工程的一个子项目——汉字精密照排系统。

王选经过研究发现，汉字数量虽然繁多，但基本上都是由横撇竖捺等规则笔画组成。所以他提出了一个异想天开的方案：用矢量的方式来描述汉字，通过算法在保证放大后不失真的前提下实现数据500到1000倍的压缩。

1979年春，在全国各地的单位协作下，中国第一台国产激光照排系统原理样机组装完毕，并进入调试阶段。1979年7月27日，我国第一张使用激光照排系统的八开报纸《汉字信息处理》诞生了。

我只是从原文里截出来一部分，大概说明一下情况，你可能也没什么感受。说到汉字编码不得不提到王选，非常伟大的，助推汉字进入计算机世界，为汉字的生死存亡力挽狂澜。我觉得每一个学计算机的都应该了解这段故事。

四、python的编码问题

python这个语言对初学者非常的友好，但这也不代表这个语言很简陋，要想成为专家也是很不容易的。

python中有一个老大难问题就是编码问题，这个问题困扰了全世界无数的python程序员。其实每个编程语言在编码方面多少都有问题，但是python这个问题比较大，比较离谱，可以与之相媲美的还有JavaScript的等号问题，那个更离谱，不是人类能理解的。

目前python有两个常用版本，python2，以python2.7为代表，python3，以python3.5为代表，目前最新的python版本是Python 3.10.5，编程语言的编码比较麻烦就好啦。

在PyCharm(一个python的编码环境，非常好用)中，文件的默认编码方式为utf-8，也就是说，在PyCharm中编码的python代码，最终会以utf-8编码后存储到硬盘上。

我们首先说python2.在python2。

• python2默认编码是ascii，字符串以字节为单位存储
• 在python2中默认不能使用中文，要使用中文必须在文件头部指定使用UTF-8，# coding: utf-8，如果在这里声明使用gbk，还是会出问题，因为文件保存到硬盘上是UTF-8
• 假设你从网络或者本地文件获取了一个字符串，那么恭喜你，噩梦开始了，在你不清楚这个字符串是什么编码方式的情况下，你需要不断地尝试，在python里把这个字符串不停的用encode和decode函数转换成可能的编码，看到底哪个符合预期。甚至可能需要对纯字节流进行处理，才能得到你想要的，python不会自动为你转换成人能读的字符串。
• 有的时候你想用python读取一个文件，需要先把文件的部分内容复制到特殊网站，比如这个https://tool.oschina.net/encode，去识别出到底字符是什么编码，看看能不能转换成你想要的，再去python里尝试。

然后我们看python3。python3中默认使用的都是UTF-8，因为python3设计时就考虑到了国际化，所以使用怕python3天生就可以和多种文字打交道，但对于一些网络流的数据或者稀奇古怪的文件里的内容，还是需要你去做encode和decode。

五、编码段子

你在网上可能会看到很多编码方面的段子，比如手持两把锟斤拷，口中疾呼烫烫烫，脚踏千朵屯屯屯，笑看万物锘锘锘，这都是编码错误出现的笑话。

• 锟斤拷的来历 GBK与UTF-8

Unicode和老编码体系的转化进程中，一定有一些字，用Unicode是没法表示的，Unicode官方用了一个占位符来表示这些文字，这就是：U+FFFD REPLACEMENT CHARACTER。

那么U+FFFD的UTF-8编码出来，恰恰是 "\xef\xbf\xbd"。假如这个"\xef\xbf\xbd"，反复屡次，例如 "\xef\xbf\xbd\xef\xbf\xbd"，然后放到GBK/CP936/GB2312/GB18030的环境中显示的话，一个汉字2个字节，最终的后果就是：锟斤拷""锟(0xEFBF)，斤（0xBDEF），拷（0xBFBD）

• 烫烫烫的来历 vc++

在windows平台下，ms的编译器（也就是vc带的那个）在 Debug 形式下，会把未初始化的栈内存全部填成 0xcc，用字符串来看就是"烫烫烫烫烫烫烫"，也就是说呈现了烫烫烫，赶忙反省初始化吧

• 屯屯屯的来历 VC

同上，未初始化的堆内存全部填成0xcd，字符串看就是"屯屯屯屯屯屯屯屯"。

• 锘的来历 VC HTML

微软在 UTF-8 文件头部加上了 EF BB BF BOM 标志。在不支持 BOM 的环境下对其停止 UTF-8 解码失掉"锘"字。

这四个成为了经典，传颂至今。

六、总结

看到这里都明白了吗？这一章最重要的是记住什么是编码以及最最基础的ASCII编码，对程序员来说这就像乘法口诀表一样重要。