编码

[cfour-hi]

文字编码的那些事

基础

什么是位、字节、字、KB、MB

位：“位(bit)”是电子计算机中最小的数据单位。每一位的状态只能是0或1。

字节：8个二进制位构成1个“字节(Byte)”，它是存储空间的基本计量单位。1个字节可以储存1个英文字母或者半个汉字，换句话说：1个汉字占据2个字节的存储空间。

字：“字”由若干个字节构成，字的位数叫做字长，不同档次的机器有不同的字长。例如一台8位机，它的1个字就等于1个字节，字长为8位。如果是一台16位机，那么，它的1个字就由2个字节构成，字长为16位。字是计算机进行数据处理和运算的单位。

KB：K表示1024，也就是2的10次方。1KB表示1K个Byte，也就是1024个字节。

MB：1MB = 220 Bytes = 1048576Bytes

为什么电脑数据一个字节是8位

所谓字节，原意就是用来表示一个完整的字符的。

最初的计算机性能和存储容量都比较差，所以普遍采用4位BCD编码（这个编码出现比计算机还早，最早是用在打孔卡上的）。BCD编码表示数字还可以，但表示字母或符号就很不好用，需要用多个编码来表示。后来又演变出6位的BCD编码（BCDIC），以及至今仍在广泛使用的7位ASCII编码。不过最终决定字节大小的，是大名鼎鼎的System/360。当时IBM为System/360设计了一套8位EBCDIC编码，涵盖了数字、大小写字母和大部分常用符号，同时又兼容广泛用于打孔卡的6位BCDIC编码。System/360很成功，也奠定了字符存储单位采用8位长度的基础，这就是1字节=8位的由来。

一个汉字占多少字节

GBK编码，一个汉字占两个字节。

UTF-16编码，通常汉字占两个字节，CJKV扩展B区、扩展C区、扩展D区中的汉字占四个字节（一般字符的Unicode范围是U+0000至U+FFFF，而这些扩展部分的范围大于U+20000，因而要用两个UTF-16）。

UTF-8编码是变长编码，通常汉字占三个字节，扩展B区以后的汉字占四个字节。