字元編碼

1. ASCII碼

1> ASCII碼不包括我們輸入法中的"特殊字元"和"數學字元"等，他們都屬於擴展ASCII 字元

2. GBK編碼

GBK實際上是ASCII的中文擴展編碼，其規則是：

1> 如果第一個位元組的大於127（0x7F, 0111 1111，即最高位為0），則表示從這個位元組開始的2個位元組是表示一個漢字，否則，則是一個英文ASCII碼

2> GBK是相容ASCII的

3> GBK的漢字編碼占用2個位元組

4> 這類編碼方式統稱為做 “DBCS“（Double Byte Charecter Set 雙位元組字元集）

3. Unicode編碼

Unicode是為瞭解決ASCII的各類擴展編碼方式不統一的問題（比如GBK和臺灣的漢字編碼就不相容），而制定的採用多位元組統一編碼世界所有字元的編碼方案，所以Unicode能顯示各國的字元編碼

1> Unicode編碼包括UCS-2, UCS-4，分別用2, 4個位元組表示一個字元，通用的是UCS-2

2> 由於多個位元組在記憶體中的儲存設計到字元順序的問題

3> Unicode表示ASCII碼時，是將高位位元組全置為0，所以Unicode和ASCII是不相容的

4. UTF-8

UCS-2表示英文字母會浪費一個位元組，而世界上大部分的資料都是用英文的，所以用Unicode編碼進行文件傳輸和保存的時候就極為浪費帶寬和硬碟, 因此就有了UTF-8, UTF-16的出現來拯救世界

UTF :（UCS Transfer Format）

1> UTF-8：UTF-8是一種變長的編碼方式，可以用1~4個位元組表示一個字元

2> UTF-8的原碼還是Unicode，只是其將Unicode進行了格式化編碼，轉化方式：

     2.1 單位元組的字元（如英文），位元組的第一位設為0，對於英語，UTF-8碼只占用一個位元組，和ASCII碼完全相同；

     2.2 需用n個位元組的字元(n>1)，第一個位元組的前n位設為1，第n+1位設為0，後面位元組的前兩位都設為10，這n個位元組的其餘空位填充該字元unicode碼(2進位的)，高位用0補足。

     如格式化字元："中"(0x4E2D, 0100 1110 0010 1101)

     (1) "中"占用2個位元組，因為UTF-8需要多的bit來做標記，所以至少需要多餘2個位元組的空間來轉UTF-8，先設n=3

     (2) 3個位元組各自的標記bit如下：

          1 : 1110 0000

          2 : 1000 0000

          3 : 1000 0000

     (3) 我們發現剩下的空的bit位數 = 4 + 6 + 6 = 16 = 2位元組，剛好夠放一個Unicode，依次將"中"(0100 1110 0010 1101)的2進位bit放入

          1 : 1110 0100     0xE4

          2 : 1011 1000     0xB8

          3 : 1010 1101     0xAD

     (4) 雖然Unicode填入UTF-8的模板沒說是大尾還是小尾，而是用我們正常看2進位數的順序填入的，但這個順序其實是一個大尾（0x4E放在前面轉bit）

3> Windows中，會使用BOM來標記編碼順序，UTF-8由於沒有編碼順序，Windows就用BOM = EF BB BF來表示UTF-8編碼，但很多系統和軟體中是不認這個BOM的

4> "®"字元的Unicode編碼是0x00AE，在UTF-8編碼中是採用2個位元組的模板來編碼的：C2 AE = 1100 0010 1010 1110，抽取出來就是0 0010 10 1110 = 000 1010 1110，然後高位補0 = 0000 0000 1010 1110 = 0xAE，也就是說Unicode編碼高位為00的字元，在UTF-8中都可以用2位元組的模板來編碼，可以節省一個位元組