作者：朱金灿

 

        本文简单介绍计算机中两大字符集：多字节字符集和unicode字符集的出现及关系。


        首先我们需要明白的是计算机是如何找到字符的，原来计算机通过一个字符编号来找到字符，这个和学校里每个学生都有一个学号类似。这里的字符编号和对应的字符就构成了一个字符集。因为计算机最早是在英语国家诞生的，大多数英文信息是由英文字母、数字以及一些其它字符构成了一个128个字符的ASCII字符集。本来这对于英语国家来说够用了。但是随着计算机的普及，非英语国家的文字字符也需要用计算机来存储，这时字符集就需要一种扩展机制了。一种简单的扩展机制就是兼容ASCII字符集，在后面加上自己的编码。可以想象，不同字符的编号长度是不一样的，有些是两个字节，有些是三个字节甚至四个字节等等。这样的字符集就叫多字节字符集。多字节字符集就是多种字符集的统称，比如中文字符集GB2312和GBK、日文编码JIS都是多字节字符集。


        由于多字节字符遵循的是各个国家的编码，要进行信息交换必须进行繁琐的转换。这时就有人想：有没有一种编码规则，能给全世界的字符都编上统一的编号呢？就这样unicode字符集诞生了。unicode字符集顾名思义就是每个字符都有一个唯一的编码。最早的unicode字符是采用两个字节也是16位对字符进行编码（也就是能够对65536个字符进行编号），故被称为utf-16。后来发现大多信息都是英文构成的，为了节省空间，同时为了兼容单字节的处理系统，就出现了一种变种的unicode字符集——utf8。utf8的实现原理和多字节字符集一样，前面是128个子符是ASCII字符，后面的采用变长的编码方式，就是一个字符可能用两个字节、三个字节或四个字节进行编码。再到后面发现16位的编码也不够用了，采用32位编码，这样就出现了utf-32。