最常用的字符集编码方式（为什么会存在乱码）

乱码这个东西相信大家都遇到过，今天我的女朋友三歪就火急火燎的上来找我：“亲爱的，我的idea怎么输出乱码了？”

我一顿操作就给他搞好了，但是三歪不愧是蘑菇街我的女朋友，好奇心跟我是一样样的，随我。

那为什么会出现乱码呢？

什么是编码，什么是解码？

什么是字符码，什么是字符集？

为什么要有 Unicode ？UTF-8 和 GBK 又有什么不同呢？

三歪坐在我的腿上对我撒娇似的说出这一连串的问题，我这个人宠粉但是更宠女朋友，所以就有了这篇文章。

我们知道计算机里存储的只会是 0 和 1 组成的字节流，而仅是数字满足不了我们的需求，我们还需要文本的处理等等，但是计算机只认识数字，所以我们需要告诉计算机什么数字代表什么字符。

比如我指定 0000 代表 A，0001 代表 B 这样计算机就知道了，所以我要把 AB 这两个字符存入计算机的话，实际存储的就是0000 0001，其实就等于把每个字符定制一个唯一的编码。

但是这是我的指定，不同的人想法是不同的，比如小明就喜欢 1000 表示 A ，1111 表示 B，那小明的计算机按照他指定的编码方式存储，就是 1000 1111，之后传输给我的计算机，我拿到1000 1111，按照我的编码解出来可能就是 %& 了，这就乱码了。

所以乱码的本质就是编码和解码实现没对应上。

有些同学可能对编码和解码的概念不太熟悉，我来解释一下：

• 编码：其实就是将字符按照一定的格式转换成字节流的过程。
• 解码：就是将字节流解析成字符。

可以看到随意编码的就会产生各自的计算机都无法正确解析的情况，所以需要有一个标准，大家都按那个标准来指定字符和数字的对应关系。

美国国家标准协会 ANSI 就制定了一个标准，即美国信息交换标准代码（ASCII），规定了常用字符集的集合和对应的数字编号，例如 65 表示 A。

ASCII 实际上是 7 位编码，用二进制代码表示就是 0000000~1111111，不过 1 个字节是 8 位，所以一般都用 8 位来存储。可以看到 ASCII 代表了 128 个字符，这其实是倾美国的编码，你看同样讲英文的英国，ASCII 上都没英镑的标记。

还有人家的韩文，日文等等，更别说咱们中文了。

1 个字节最多只能表示 256 个字符，所以对我们来说不够用，因此需要扩展，像 GB2312 就是我们国家标准总局发布的《信息交换用汉字编码字符集》，后来又发布了 GBK ，这个 K 就是扩展的意思，在 GB2312 的基础上又添加了很多比如繁体字等字符。

所以说等于每个国家都有自己的标准，因为语言都是不同的，各字符集的不同就导致计算机之间文档的交流非常困难，因此大家又开始了一波标准化。

像美国的 ANSI 组织制定了 ANSI 标准字符编码，其实就是制定平台默认的编码，比如中国的操作系统就用 GBK ，如果是美国就用 ASCII，操作系统会预装这些标准字符集。

不过这只能解决一份文档一份字符编码的情况，假设我文档里面有日语、法语、德语、俄语、中文，你说怎么办？

所以又搞了个 Unicode，又称统一码、万国码、单一码。

Unicode 字符集涵盖了目前人类使用的所有字符，并为每个字符进行统一编号，分配唯一的字符码，你看这种事情总得有人做，不然就没法统一。

这里有几个术语我解释一下，让大伙更加清晰一些。

• 字符：其实就像英文字母，或者我们的中文都叫字符
• 字符集：那就是字符和编号对应的集合
• 字符码：就是字符集里面字符对应的数字，或者说编号，比如在 ASCII 字符集里面， A 的字符码是 65
• 字符编码：就是按照字符集中字符和数字的映射关系，转化成字节流的实现

对于 Unicode 而言有一点和之前的编码不太一样，它将字符集和编码实现解耦了。

之前的编码比如 ASCII 编码、GBK 编码等等，它们的字符集和编码实现是绑死的，你可以理解成以前的编码其实就是查表，有一个固定的表格里面存储这字符和对应固定的二进制，比如 A 对应的编号是 65，其二进制序列就是 01000001。

而 Unicode 不一样，它将字符集和字符编码实现分开了，比如 A 对应的编号是 65，但是对应的二进制序列就不一定了，得看具体的字符编码，如果是 UTF-8 编码，则是 01000001，如果是 UTF-16 编码（大端），则是 00000000 01000001。

这其实也是为什么我们现在常用 UTF-8 而不是 UTF-16 的原因，可以看到 UTF-16 编码存储效率较低，最少使用两个字节，并且像 C 语言的很多函数都会将 0x00 字节作为字符串的停止符来解析，所以才搞了个 UTF-8，其使用 1~4 字节为每个字符编码，是变长的，具体如何编码的我就不说了，随便查一下就有。

至此我们已经清晰了乱码的根源，也知晓了为什么会有那么多字符编码的出现，毕竟语言多，一开始出了个 ASCII，但是对于其他国家来说不够用，于是都各自进行了扩展。

而编码多了各个国家之间难以做到统一，不易兼容，所以后来国际组织制定搞了个 Unicode 字符集，对所有字符做了统一的编排，并且为了使得编码更加灵活把字符集和编码实现分开来。

对了，为什么英文都不会出现乱码就是因为绝大部分的字符集都是基于 ASCII 扩展的，所以都兼容 ASCII 。

本期就是应该算是一期比较有意思的科普系列，但是还是渴求你的点赞哈哈。

敖丙把自己的面试文章整理成了一本电子书，共 1630页！

干货满满，字字精髓。目录如下，还有我复习时总结的面试题以及简历模板，现在免费送给大家。

我是敖丙，你知道的越多，你不知道的越多，感谢各位人才的：点赞、收藏和评论，我们下期见！

文章持续更新，回复【资料】有我准备的一线大厂面试资料和简历模板，，有大厂面试完整考点。