白话字符集的基础知识

计算机是歪果仁发明的，人家只有26个拉丁字母，a-z。加上大小写和其它标点了什么的，也就几十个。要存进数据库就要考虑留下多大的空间。计算机的语言世界里只有0和1，也就是所谓的二进制，所以就预留了7个位，2的7次方也就是128种排序，让每个字符占一个字节的存储空间。为了保险起见，还多留了一个位，所以一个字节就占8个bit。

再后来计算机开始第一波普及，某些其它国家不干了，因为除了这些简单的拉丁字母人家还有自己的小母语。于是启用了8位的第一位，变成了2的8次方，也就是256个字节。

如果只是西方国家有这些字节也就够用了，但是再往后普及。到了咱们东方大国，包括棒子国，东瀛和琉球等国家，这些字节就肯定不够用了。所以再想辙，让一个字符占两个字节，相于256的256次方。想一想感觉是个很庞大的数字，但是要让这些字节来包括所有国家的所有文字也肯定不够用。于是，聪明的人类就制订了各种ISO标准来符合各个国家。最终用一个ASCII（美国信息交换标准代码）进行一一对应。像咱们经常使用GBK2312(简体)，GBK(繁简混合)就是这种情况。不仅如此，为了满足所有国家都能畅通无阻，1990年着手研究，1994年公布了Unicode（统一码、万国码、单一码）,每个字符占4个字节，也就是256的256次方的256次方的256次方，足够就会所有国家的文字了。

按说发展到这个阶段也就可以了，但是问题又来了。如果像咱们中国用一堆汉字繁简混合还值得让每个字符占4个字节，如果其中的英文字母也是每个字符占四个字符就显得有点浪费了。放眼看吧，现在的油不够用了，煤不够用了，连ip地址都不够用了，这字节也要省着用呐。所以呢，高人出现了。他发明了UTF(通用转换格式),也就是根据要存储的字符决定要占用几个字节，比如字母就少占，汉字就多占。具体可能会占1到6个字节。

看到这里似乎要奇怪了，原来只需要最多4个字节，现在怎么要最多6个了。因为计算机本身不是智能的，它不能真的“思考“一个字符是字母还是汉字，我们就需要用一个标准给它做一个标识。UTF-8编码规则：如果只有一个字节则其最高二进制位为0；如果是多字节，其第一个字节从最高位开始，连续的二进制位值为1的个数决定了其编码的字节数，其余各字节均以10开头。

知识点写到这就结束了，非常感叹前辈们的智慧与总结，我们现在才能如此轻松享受信息技术带来的改变。