字符编码：ASCII，Unicode 和 UTF-8
关系总结：ASCII，Unicode 是字符与数字一一对应的字符集，UTF-8是字符对应的数字在计算机中的存储方式。
ASCII编码
我们知道，计算机内部，所有信息最终都是一个二进制值。每一个二进制位（bit）有0和1两种状态，因此八个二进制位就可以组合出256种状态，这被称为一个字节（byte）。也就是说，一个字节一共可以用来表示256种不同的状态，每一个状态对应一个符号，就是256个符号，从00000000到11111111。
上个世纪60年代，美国制定了一套字符编码，对英语字符与二进制位之间的关系，做了统一规定。这被称为 ASCII 码，一直沿用至今。
ASCII 码一共规定了128个字符的编码，比如空格SPACE是32（二进制00100000），大写的字母A是65（二进制01000001）。这128个符号（包括32个不能打印出来的控制符号），只占用了一个字节的后面7位，最前面的一位统一规定为0。
非ASCII编码
英语用128个符号编码就够了，但是用来表示其他语言，128个符号是不够的。比如，在法语中，字母上方有注音符号，它就无法用 ASCII 码表示。于是，一些欧洲国家就决定，利用字节中闲置的最高位编入新的符号。比如，法语中的é的编码为130（二进制10000010）。这样一来，这些欧洲国家使用的编码体系，可以表示最多256个符号。
但是，这里又出现了新的问题。不同的国家有不同的字母，因此，哪怕它们都使用256个符号的编码方式，代表的字母却不一样。比如，130在法语编码中代表了é，在希伯来语编码中却代表了字母Gimel (ג)，在俄语编码中又会代表另一个符号。但是不管怎样，所有这些编码方式中，0–127表示的符号是一样的，不一样的只是128–255的这一段。
至于亚洲国家的文字，使用的符号就更多了，汉字就多达10万左右。一个字节只能表示256种符号，肯定是不够的，就必须使用多个字节表达一个符号。比如，简体中文常见的编码方式是 GB2312，使用两个字节表示一个汉字，所以理论上最多可以表示 256 x 256 = 65536 个符号。
中文编码的问题需要专文讨论，这篇笔记不涉及。这里只指出，虽然都是用多个字节表示一个符号，但是GB类的汉字编码与后文的 Unicode 和 UTF-8 是毫无关系的。
Unicode
正如上一节所说，世界上存在着多种编码方式，同一个二进制数字可以被解释成不同的符号。因此，要想打开一个文本文件，就必须知道它的编码方式，否则用错误的编码方式解读，就会出现乱码。为什么电子邮件常常出现乱码？就是因为发信人和收信人使用的编码方式不一样。
可以想象，如果有一种编码，将世界上所有的符号都纳入其中。每一个符号都给予一个独一无二的编码，那么乱码问题就会消失。这就是 Unicode，就像它的名字都表示的，这是一种所有符号的编码。
Unicode 当然是一个很大的集合，现在的规模可以容纳100多万个符号。每个符号的编码都不一样，比如，U+0639表示阿拉伯字母Ain，U+0041表示英语的大写字母A，U+4E25表示汉字严。具体的符号对应表，可以查询unicode.org，或者专门的汉字对应表。
Unicode的问题
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（100111000100101），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。
这里就有两个严重的问题，第一个问题是，如何才能区别 Unicode 和 ASCII ？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：1）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。2）Unicode 在很长一段时间内无法推广，直到互联网的出现。
UTF-8
互联网的普及，强烈要求出现一种统一的编码方式。UTF-8 就是在互联网上使用最广的一种 Unicode 的实现方式。其他实现方式还包括 UTF-16（字符用两个字节或四个字节表示）和 UTF-32（字符用四个字节表示），不过在互联网上基本不用。重复一遍，这里的关系是，UTF-8 是 Unicode 的实现方式之一。
UTF-8 最大的一个特点，就是它是一种变长的编码方式。它可以使用1~4个字节表示一个符号，根据不同的符号而变化字节长度。
UTF-8 的编码规则很简单，只有二条：
1：对于单字节的符号，字节的第一位设为0，后面7位为这个符号的 Unicode 码。因此对于英语字母，UTF-8 编码和 ASCII 码是相同的。
2：对于n字节的符号（n > 1），第一个字节的前n位都设为1，第n + 1位设为0，后面字节的前两位一律设为10。剩下的没有提及的二进制位，全部为这个符号的 Unicode 码。
下表总结了编码规则，字母x表示可用编码的位。
| Unicode编码范围（十六进制） | UTF-8 编码方式（二进制） | 描述 |
|---|---|---|
| 000000-00007F | 0xxxxxxx | 一个字节7位可用 |
| 000080-0007FF | 110xxxxx 10xxxxxx | 2个字节11位可用 |
| 000800-00FFFF | 1110xxxx 10xxxxxx 10xxxxxx | 3个字节16位可用 |
| 010000-10FFFF | 11110xxx 10xxxxxx 10xxxxxx 10xxxxxx | 4个字节21为可用 |
跟据上表，解读 UTF-8 编码非常简单。如果一个字节的第一位是0，则这个字节单独就是一个字符；如果第一位是1，则连续有多少个1，就表示当前字符占用多少个字节。
从统一码网站截取到一部分编码表如下图所示。汉字 “丁” 的十六进制数值是4E01， 二进制数值是0100 1110 0000 0001 ，需要15个二进制位来存储，所以 utf-8 编码要使用3个字节16个有效二进制位来存储，从 “丁” 字的最后一个二进制编码开始，从后向前填充，得到utf-8 编码结果为： 11100100 10111000 10000001 。转化为十六进制就是E4B881.
利用python把二进制转十进制
>>> int('10100111110',2)
1342十进制转十六进制
>>> hex(1033)
'0x409'二级制到十六进制 （就是 二进制先转成 十进制， 再转成 十六进制）
>>> hex(int('101010',2))
'0x2a'十六进制转 二进制（十六进制->十进制->二进制）
>>> bin(int('ff',16))
'0b11111111'Little endian和Big endian（小端，大端）
上一节已经提到，UCS-2 格式可以存储 Unicode 码（码点不超过0xFFFF，2个字节16位）。以汉字严为例，Unicode 码是4E25，需要用两个字节存储，一个字节是4E，另一个字节是25。存储的时候，4E在前，25在后，这就是大端方式（ Big endian）；25在前，4E在后，这是小端方式（ Little endian）。
正常的排列顺序就是大端方式（ Big endian）
那么很自然的，就会出现一个问题：计算机怎么知道某一个文件到底采用哪一种方式编码？
Unicode 规范定义：每一个文件的最前面分别加入一个表示编码顺序的字符，这个字符的名字叫做”零宽度非换行空格”（zero width no-break space）
- 如果一个文本文件的头两个字节是
FE FF，就表示该文件采用大端方式； - 如果头两个字节是
FF FE，就表示该文件采用小端方式。
实例
下面，举一个实例。
打开程序notepad，新建一个文本文件，内容就是一个严字，依次采用
- ANSI，UTF-8, UCS-2 Big Endian，UCS-2 Little Endian编码方式保存。
然后，用文本编辑软件UltraEdit 中的 “编辑”->”十六进制功能”，观察该文件的内部编码方式。
- 1：ANSI：文件的编码就是两个字节
D1 CF，这正是严的 GB2312 编码，这也暗示 GB2312 是采用大端方式存储的。 - 2：UTF-8：编码是三个字节
E4 B8 A5 - 3：UCS-2 Big Endian：编码是四个字节
FE FF 4E 25，其中FE FF表明是大端方式存储。 -
4：UCS-2 Little Endian：编码是六个字节
FF FE 25 4E， 其中FF FE表明是小端方式存储。