準備
二進制換算
1 G = 1024 M = 1024 1024 K = 1024 * 1024 * 1024 Byte
1 Byte = 8 bit
一、ASCII 碼
只佔用一個字節表示的編碼
我們知道，計算機內部，所有信息最終都是一個二進制值。每一個二進制位（bit）有 0 和 1 兩種狀態，因此八個二進制位就可以組合出256種狀態，這被稱為一個字節（byte）。也就是説，一個字節一共可以用來表示256種不同的狀態，每一個狀態對應一個符號，就是256個符號，從 00000000 到 11111111。
上個世紀60年代，美國製定了一套字符編碼，對英語字符與二進制位之間的關係，做了統一規定。這被稱為 ASCII 碼，一直沿用至今。ASCII 碼一共規定了128個字符的編碼（值 0-127， 127 = 2 ^ 7 -1，所以雖然預留了8位，但是最多隻需要7位，最前面的一位統一規定為0 ），比如空格SPACE是32（二進制00100000），大寫的字母 A 是 65（二進制01000001）。這128個符號（包括32個不能打印出來的控制符號），只佔用了一個字節的後面7位，最前面的一位統一規定為 0。
字母 A 在計算機中的存儲：
ASCII 編碼表：
二、非 ASCII
編碼英語用128個符號編碼就夠了，但是用來表示其他語言，128個符號是不夠的。比如，在法語中，字母上方有注音符號，它就無法用 ASCII 碼錶示。於是，一些歐洲國家就決定，利用字節中閒置的最高位編入新的符號。比如，法語中的é的編碼為130（二進制10000010）。這樣一來，這些歐洲國家使用的編碼體系，可以表示最多256個符號。
但是，這裏又出現了新的問題。不同的國家有不同的字母，因此，哪怕它們都使用256個符號的編碼方式，代表的字母卻不一樣。比如，130在法語編碼中代表了é，在希伯來語編碼中卻代表了字母Gimel (ג)，在俄語編碼中又會代表另一個符號。但是不管怎樣，所有這些編碼方式中，0-127表示的符號是一樣的，不一樣的只是128--255的這一段。
至於亞洲國家的文字，使用的符號就更多了，漢字就多達10萬左右。一個字節只能表示256種符號，肯定是不夠的，就必須使用多個字節表達一個符號。 比如，簡體中文常見的編碼方式是 GB2312，使用兩個字節表示一個漢字，所以理論上最多可以表示 256 x 256 = 65536 個符號。
中文編碼的問題需要專文討論，這篇筆記不涉及。這裏只指出，雖然都是用多個字節表示一個符號，但是GB類的漢字編碼與後文的 Unicode 和 UTF-8 是毫無關係的。
三、 Unicode
正如上一節所説，世界上存在着多種編碼方式，同一個二進制數字可以被解釋成不同的符號。因此，要想打開一個文本文件，就必須知道它的編碼方式，否則用錯誤的編碼方式解讀，就會出現亂碼。 為什麼電子郵件常常出現亂碼？就是因為發信人和收信人使用的編碼方式不一樣。
可以想象，如果有一種編碼，將世界上所有的符號都納入其中。每一個符號都給予一個獨一無二的編碼，那麼亂碼問題就會消失。 這就是 Unicode，就像它的名字都表示的，這是一種所有符號的編碼。
Unicode 當然是一個很大的集合，現在的規模可以容納100多萬個符號。每個符號的編碼都不一樣，比如，U+0639 表示阿拉伯字母Ain，U+0041 表示英語的大寫字母 A，U+4E25 表示漢字嚴。具體的符號對應表，可以查詢 unicode.org，或者專門的漢字對應表。
四、Unicode 的問題
需要注意的是，Unicode 只是一個符號集，它只規定了符號的二進制代碼，卻沒有規定這個二進制代碼應該如何存儲。比如，漢字嚴的 Unicode 是十六進制數 4E25，轉換成二進制數足足有 15 位（100111000100101），也就是説，這個符號的表示至少需要2個字節。表示其他更大的符號，可能需要3個字節或者4個字節，甚至更多。這裏就有兩個嚴重的問題:
- 第一個問題是，如何才能區別
Unicode和ASCII？計算機怎麼知道三個字節表示一個符號，而不是分別表示三個符號呢？ - 第二個問題是，我們已經知道，英文字母只用一個字節表示就夠了，如果 Unicode 統一規定，每個符號用三個或四個字節表示，那麼每個英文字母前都必然有二到三個字節是0，這對於存儲來説是極大的浪費，文本文件的大小會因此大出二三倍，這是無法接受的。
它們造成的結果是：
- 出現了 Unicode 的多種存儲方式，也就是説有許多種不同的二進制格式，可以用來表示 Unicode。
- Unicode 在很長一段時間內無法推廣，直到互聯網的出現。
五、UTF-8
互聯網的普及，強烈要求出現一種統一的編碼方式。UTF-8 就是在互聯網上使用最廣的一種 Unicode 的實現方式。其他實現方式還包括 UTF-16（字符用兩個字節或四個字節表示）和 UTF-32（字符用四個字節表示），不過在互聯網上基本不用。
重複一遍，這裏的關係是，UTF-8 是 Unicode 的實現方式之一。 UTF-8 最大的一個特點，就是它是一種變長的編碼方式。它可以使用 1~4 個字節表示一個符號，根據不同的符號而變化字節長度。UTF-8 的編碼規則很簡單，只有二條：
- 對於單字節的符號，字節的第一位設為0，後面7位為這個符號的 Unicode 碼。因此對於英語字母，UTF-8 編碼和 ASCII 碼是相同的。
- 對於n字節的符號（n > 1），第一個字節的前n位都設為1，第n + 1位設為0，後面字節的前兩位一律設為10。剩下的沒有提及的二進制位，全部為這個符號的 Unicode 碼。下表總結了編碼規則，字母x表示可用編碼的位。
| Unicode符號範圍(十六進制) | UTF-8編碼方式（二進制） |
|---|---|
| 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 |
跟據上表，解讀 UTF-8 編碼非常簡單。如果一個字節的第一位是0，則這個字節單獨就是一個字符；如果第一位是1，則連續有多少個1，就表示當前字符佔用多少個字節。
下面，還是以漢字 嚴 為例，演示如何實現 UTF-8 編碼。嚴的 Unicode 是4E25（100111000100101），
根據上表，可以發現4E25處在第三行的範圍內（0000 0800 - 0000 FFFF），因此嚴的 UTF-8 編碼需要三個字節，即格式是 1110xxxx 10xxxxxx 10xxxxxx。
然後，從 嚴 的最後一個二進制位開始，依次從後向前填入格式中的x，多出的位補0。這樣就得到了，嚴的 UTF-8 編碼是11100100 10111000 10100101，轉換成十六進制就是 E4B8A5。
UTF-8 裏 0 -127 表示（與 ASCII 不同）：
六、Unicode 與 UTF-8 之間的轉換
通過上一節的例子，可以看到嚴的 Unicode碼 是 4E25，UTF-8 編碼是 E4B8A5，兩者是不一樣的。
它們之間的轉換可以通過程序實現。Windows平台，有一個最簡單的轉化方法，就是使用內置的記事本小程序notepad.exe。
打開文件後，點擊文件菜單中的另存為命令，會跳出一個對話框，在最底部有一個編碼的下拉條。裏面有四個選項：ANSI，Unicode，Unicode big endian和UTF-8。
ANSI是默認的編碼方式。對於英文文件是ASCII編碼，對於簡體中文文件是GB2312編碼（只針對 Windows 簡體中文版，如果是繁體中文版會採用 Big5 碼）。Unicode編碼這裏指的是notepad.exe使用的 UCS-2 編碼方式，即直接用兩個字節存入字符的 Unicode 碼，這個選項用的 little endian 格式。Unicode big endian編碼與上一個選項相對應。UTF-8編碼，也就是上一節談到的編碼方法。
選擇完"編碼方式"後，點擊"保存"按鈕，文件的編碼方式就立刻轉換好了。
七、 總結
- ASCII 是單字節編碼方式，共有 8位，第一位統一為 0，它表示的值的範圍是 0-127
- 不同國家使用 ASCII 的第一位表示語言編碼，值範圍擴展到 0 -255；但是這導致編碼對應 0-127 是一致的， 128-255 可能不一致；這就導致解析文本要使用對應的編碼方式，不然會展示成亂碼
-
期望出現這樣一種編碼方式
- 將世界上所有的符號都納入其中
- 每一個符號都給予一個獨一無二的編碼這種編碼就能擴大表示範圍（不止是 0-255），而且能避免亂碼問題，Unicode 編碼方式應運而生。
- Unicode 編碼方式將佔用字節數擴展到 2 個字節甚至更多，這就意味着佔用更多的存儲空間
- 為了實現兼顧範圍表示和存儲空間的合理利用，我們需要一種能根據不同的符號而變化字節長度，UTF-8 應運而生UTF-8 是 Unicode 的實現方式之一, 它是一種變長的編碼方式。它可以使用1~4個字節表示一個符號
八、 Javascript 中的字符編碼
JavaScript 共有 6 種方法可以表示一個字符。詳細介紹:https://es6.ruanyifeng.com/#docs/string
'\z' === 'z' // true
'\172' === 'z' // true
'\x7A' === 'z' // true
'\u007A' === 'z' // true
'\u{7A}' === 'z' // true"𠮷" 的表示需要雙字節
// 兩個雙字節的形式表示
"\uD842\uDFB7" // "𠮷"
// Unicode 形式直接表示
"\u{20BB7}"// "𠮷"使用 UTF-8 的編碼方式檢測長度時：
九、應用：檢測漢字長度
https://segmentfault.com/a/1190000040529571
參考資料
- https://www.ruanyifeng.com/blog/2007/10/ascii_unicode_and_utf...
- https://es6.ruanyifeng.com/#docs/string
