php基础篇 不懂 bit，byte，字符、编码之间的关系，别跟我说你会sock网络编程

bit（位）

数据存储的最小单位。每个二进制数字0或者1就是1个位；

byte（字节）

64位系统：8个位构成一个字节；即：1 byte (字节)= 8 bit(位)；
32位系统：4个位构成一个字节；即：1 byte (字节)= 4 bit(位)；

储存空间换算

1 byte = 1 bit (位)

1 KB = 1024 B(字节)；

1 MB = 1024 KB; (2^10 B)

1 GB = 1024 MB; (2^20 B)

1 TB = 1024 GB; (2^30 B)

字符

a-z，A-Z、符号，0-9…均表示一个字符；

一般 utf-8 编码下，一个汉字 字符 占用 3 个 字节；

var_dump(strlen(mb_convert_encoding('大雷编程','UTF-8')));

一般 gbk 编码下，一个汉字 字符 占用 2 个 字节；

var_dump(strlen(mb_convert_encoding('大雷编程','GBK')));

要测试其他编码中文占用的字节也可以使用上面的方法。

编码

基本概念

1.字符编码（Character Encoding）是什么？

是一套法则，使用该法则能够对自然语言的字符的一个集合（如字母表），与其他东西的一个集合（如二进制字节码）进行配对。即在符号集合与数字系统之间建立对应关系，它是信息处理的一项基本技术。通常人们用符号集合（一般情况下就是文字）来表达信息。而以计算机为基础的信息处理系统则是利用元件（硬件）不同状态的组合来存储和处理信息的。元件不同状态的组合能代表数字系统的数字，因此字符编码就是将符号转换为计算机可以接受的数字系统的数，称为数字代码。

2. 单字节编码是什么？

一个字节就表示一个字符，比如典型的ASCII码中的所有字符都是单字节编码的

3. 双字节编码是什么？

需要用两个字节来表示一个字符的编码，比如汉字的GBK,GB2312编码

4. 多字节编码是什么？

需要用多个字节来表示一个字符的编码，比如Unicode，UTF-8编码

字符集

字符集（Charset）：是一个系统支持的所有抽象字符的集合。字符是各种文字和符号的总称，包括各国家文字、标点符号、图形符号、数字等。

ASCii

1. 标准 ASCii 字符集：有96个打印字符，和32个控制字符组成；一共96+32=128个；

2. 用7位二进制数来对每1个字符进行编码；

3. 而由于7位还还不够1个字节，而电脑的内部常用字节来用处理，每个字节中多出来的最高位用0替代；

二进制	十进制	ASCII
0 000 0000	0	NUL (NULL)
0 100 0001	65	A
0 110 0001	97	a
0 111 1111	127	DEL (Delete)

4. 从0----127，来表示128个ACSii编码；
5. 注意：10在计算器内部是没有编码的，因为它是字符串，而不是单个字符。可以分别对1,0字符编码存储；

扩展ASCii字符集

1. 将标准的ASCii最高位由0替换为1，得到十进制代码128—255（1 000 0000----1 111 1111）；

2. 所以字符集一共有0—255, 也就是256个字符；

3. ASCII标准字符集是由低7位编码组成，字符集只能组合成128个字符，为了表示更多的欧洲常用字符对，IBM对ASCII码进行了扩展，把第八位也用上了，数量也翻了一位，可达到256字符。
   

4. 扩展部分由80H到0FFH组成共128个字符,一般称为"扩充字符",这128个扩充字符是由IBM制定的,并非标准的ASCII码.这些字符是用来表示框线、音标和其它欧洲非英语系的字母。

gb2312字符集

1. 所有汉字字符在计算机内部采用2个字节来表示，每个字节的最高位规定为1【正好与标准ASCii字符（最高位是0）不重叠，并兼容】，不支持繁体字；

2. GB2312编码是第一个汉字编码国家标准，由中国国家标准总局1980年发布，1981年5月1日开始使用。GB2312编码共收录汉字6763个，用两个大于127的字符连在一起时，就表示一个汉字，前面的一个字节（他称之为高字节）从0xA1用到 0xF7，后面一个字节（低字节）从0xA1到0xFE，这样我们就可以组合出大约7000多个简体汉字了。在这些编码里，还把数学符号、罗马希腊的字母、日文的假名们都编进去了，连在ASCII里本来就有的数字、标点、字母都统统重新编了两个字节长的编码，这就是常说的全角字符，而原来在127号以下的那些就叫半角字符了。

3. gb2312表示汉字的编码为：[129–255][129–255] (两个字节，每个字节最高位是1)；小于127的字符，与ASCii编码相同；

gbk字符集

1. gb2312的扩充，兼容gb2312，除了收录gb2312所有的字符外，还收录了其他不常见的汉字、繁体字等；
2. gbk中字符是一个或两个字节，单字节字符00--7F（0---127）这个区间和ASCII是一样的；
3. 双字节字符的第一个字节是在81--FE（129--254）之间。通过这个可以判断是单字节还是双字节；
4. 即在gbk字符编码，如果第一个字节是>128的，则再往后找一个字节，组成汉字；如果第一个字节<128,则表示的是一个单字节（此时和ASCII是一样的）;
5. GBK、GB2312编码：是将两个字节连在一起表示一个字符，这两个字节分别叫高字节和低字节，GBK的编码中只要高字节代表的字符大于127就表示该字符为汉字，GB2312编码中必须两个字节所标识的字符都大于127才标识这个字符为汉字。

Unicode字符集

1. Unicode 是基于通用字符集，它是用4个字节来表示一个字符，所以能把目前世界上所有的语言文字字符都表示出来；（以及对应的二进制数字）；
2. Unicode只是一个编码规范，目前实际实现的unicode编码只要有三种：UTF-8,UCS-2和UTF-16，三种unicode字符集之间可以按照规范进行转换。
3. 由于Unicode字符编码用4个字节表示一个字符会浪费很多空间，所以UTF-8编码采用一种变长编码规则，如一个英文字母a，只需要一个字节就可以，那么UTF-8编码中a还用一个字节，有些字符需要4个字节才能表示出来，就用4个字节来表示。注意在UTF-8编码中汉字是需要3个字节来表示的。

utf-8编码

1. UTF-8（8-bit Unicode Transformation Format）是一种针对Unicode的可变长度字符编码，也是一种前缀码。它可以用来表示Unicode标准中的任何字符，且其编码中的第一个字节仍与ASCII兼容，这使得原来处理ASCII字符的软件无须或只须做少部分修改，即可继续使用。因此，它逐渐成为电子邮件、网页及其他存储或发送文字的应用中，优先采用的编码。

Unicode 十六进制码点范围	UTF-8 二进制
0000 0000 - 0000 007F	0xxxxxxx
0000 0080 - 0000 07FF	110xxxxx 10xxxxxx
0000 0800 - 0000 FFFF	1110xxxx 10xxxxxx 10xxxxxx
0001 0000 - 0010 FFFF	11110xxx 10xxxxxx 10xxxxxx 10xxxxxx

1. 对于UTF-8编码中的任意字节B，如果B的第一位为0，则B独立的表示一个字符(ASCII码)；
2. 如果B的第一位为1，第二位为0，则B为一个多字节字符中的一个字节(非ASCII字符)；
3. 如果B的前两位为1，第三位为0，则B为两个字节表示的字符中的第一个字节；
4. 如果B的前三位为1，第四位为0，则B为三个字节表示的字符中的第一个字节；
5. 如果B的前四位为1，第五位为0，则B为四个字节表示的字符中的第一个字节；

2. 因此，对UTF-8编码中的任意字节，根据第一位，可判断是否为ASCII字符；根据前二位，可判断该字节是否为一个字符编码的第一个字节；根据前四位（如果前两位均为1），可确定该字节为字符编码的第一个字节，并且可判断对应的字符由几个字节表示；根据前五位（如果前四位为1），可判断编码是否有错误或数据传输过程中是否有错误。

即：

1. 单字节的字符，字节的第一位设为0，对于英语文本，UTF-8码只占用一个字节，和ASCII码完全相同；
2. n个字节的字符(n>1)，第一字节的前n位设为1，第n+1位设为0，后面字节的前两位都设为10；
3. 2个字节，第一个字节的前2位是1；3个字节，第一个字节的前三位是1； 4个字节，第一个字节的前4位都是1；