01电脑为什么要把字母变成数字？

我们看到的是字母 A、B、C， 但电脑真正保存和处理的，仍然是一串 Bit。

所以必须先约定一套规则： “每个字符对应哪个编号？”

A

字符

人看到的符号

65

编号

按照某种字符编码规则

01000001

二进制数据

最终保存进电脑

02ASCII 是怎么给字母编号的？

早期计算机主要处理英文文字， 人们制定了一套著名的字符编码标准： ASCII。

ASCII 会给英文字母、数字、标点和一些控制字符分配编号。

A 65 01000001
B 66 01000010
C 67 01000011
a 97 01100001

例如，大写字母 A 的 ASCII 编号是 65。 如果保存成 8 Bit，就可以写成 01000001。

03字符和编号是一回事吗？

不是。 这是理解字符编码最重要的地方之一。

字符 Character

例如字符“A”

编号 / 码点

给这个字符分配的数字编号

实际字节

编码成文件或内存中的具体 Byte

04只有英文字母够不够？

当然不够。 世界上还有中文、日文、韩文、阿拉伯文、各种符号和 Emoji。

所以后来出现了 Unicode， 它试图为世界上大量字符分配统一的 码点（Code Point）。

A

U+0041

拉丁字母 A

中

U+4E2D

汉字“中”

你

U+4F60

汉字“你”

😀

U+1F600

一个 Emoji

05UTF-8 又是做什么的？

UTF-8 是一种把 Unicode 码点 编码成字节序列的方法。

它的特点之一是： 不同字符可能使用不同数量的 Byte。

A U+0041
1 Byte 41 十六进制表示
中 U+4E2D
3 Byte E4 B8 AD UTF-8 中的三个字节

06同一个字符为什么可能占不同字节？

因为“字符是什么”和“怎样编码存储”是两层不同的问题。

例如字符 A 的 Unicode 码点是 U+0041， 但采用不同编码方式时，实际保存的字节序列可以不同。

UTF-8

41

1 Byte

UTF-16LE

41 00

2 Byte

UTF-32LE

41 00 00 00

4 Byte

07乱码是怎么来的？

如果一段字节原本是按照 UTF-8 保存的， 却被程序按照另一种编码去解释， 就可能显示成奇怪字符。

原始字节 E4 B8 AD
按 UTF-8 解释 中
按错误编码解释 乱码

你已经知道了什么

  • 电脑保存字母时，会先把字符映射到数字编号，再保存成二进制数据。
  • ASCII 是早期非常重要的字符编码，A 的 ASCII 编号是 65。
  • 字符、字符编号（码点）和实际存储字节不是同一件事。
  • Unicode 为世界上大量字符分配统一码点，例如 A 是 U+0041，“中”是 U+4E2D。
  • UTF-8 是把 Unicode 码点编码成具体字节序列的一种方式。
  • UTF-8 中 ASCII 字符通常占 1 Byte，常见汉字通常占 3 Byte。
  • 同一个字符在 UTF-8、UTF-16、UTF-32 等编码中占用的字节数可能不同。
  • 乱码常常来自“写入时和读取时使用了不同字符编码”。

下一个问题： 英文字母可以编号， 那成千上万个汉字又是怎样被电脑认识和保存的？ 下一篇：电脑怎样认识中文？