1.10　表示文本

此时，你已经知道了位是我们在计算机中全部工作的基础，我们可以用位来表示其他的东西，比如数字。是时候介绍新的东西了：用数字表示其他内容，比如字母和键盘上的符号。

1.10.1　ASCII

就像数字表示法一样，也存在几个互相竞争的文字表示法。1963年，美国信息交换标准代码（American Standard Code for Information Interchange, ASCII）从一些文字表示法中脱颖而出，它为键盘上的所有符号分配了7位的数字值。例如，65表示大写的A，66表示大写的B，以此类推。IBM的扩展二进制编码的十进制交换码（Extended Binary-Coded Decimal Interchange Code, EBCDIC）没有竞争过ASCII码，它基于用于穿孔卡片机的编码。EBCDIC中的“BCD”部分代表的是前面提到的二进制编码的十进制数。ASCII码表如表1-11所示。

从表1-11中找到字母A，可以看到它的十进制值是65，十六进制值是0x41，也就是八进制的0101。事实证明，由于历史原因，ASCII字符代码还是常用八进制。

表1-11　ASCII码表

ASCII表中有一些很有趣的编码。它们被称为控制字符，因为相对于输出来说，ASCII字符是控制东西的。表1-12展示了它们所代表的内容。

表1-12　ASCII控制字符

其中许多控制字符被用于通信控制。例如，ACK表示“我收到了消息”，NAK表示“我没有收到消息”。

1.10.2　其他标准的演变

ASCII码只使用了一段时间，因为它只包含英语所需的字符。早期的计算机大多产自美国，其他的则产自英国。随着计算机的普及，其他语言的支持需求也越来越大。国际标准化组织（International Standards Organization, ISO）采用了ISO-646标准和ISO-8859标准，这两个标准基本上还是ASCII，只不过扩展了一些欧洲语言中使用的重音符号和其他双音符号。日本工业标准（Japanese Industrial Standards, JIS）委员会提出了日文字符专有的JIS X 0201。此外，还有中文标准、阿拉伯文标准等。

产生这些不同标准的原因之一是，当时的位成本比现在高得多，所以7、8个位被打包表示字符。随着位成本的下降，人们提出了一个较新的标准Unicode，将16位编码分配给了字符。当时，人们认为16位足以容纳地球上所有语言的所有字符，甚至还有剩余空间。后来Unicode已经扩展到了21位（其中有1 112 064个有效值），我们认为21位才能满足对所有字符的表示，但考虑到我们喜欢创造新的表情符号，标准可能不会持久不修改。

1.10.3　UTF-8

计算机使用8位来存储一个ASCII字符，因为计算机的设计决定它不适合处理7位的数量。同样，虽然位成本比过去低廉了很多，但也不至于便宜到随便使用16位来存储一个只需要用8位的字母。Unicode通过为字符代码提供不同的编码来解决这个问题。编码是代表另一个位型的位型。我们用位这样的抽象概念来创建代表字符的数字，然后用其他数字来代表这些数字。你明白我说的“假设”是什么意思了吧？有一种特别的编码叫作UTF-8（Unicode Transformation Format-8 bit），由美国计算机科学家Ken Thompson和加拿大程序员Rob Pike提出。我们最常使用UTF-8编码，因为它具有高效率和向后兼容性。UTF-8编码使每个ASCII字符占8位，这样就不会占用ASCII数据的额外空间。它对非ASCII字符进行编码的方式不会破坏使用ASCII码的程序。

UTF-8将字符编码为一个8位块序列，通常称为八位字节。UTF-8的一个巧妙之处是，第一块中最重要的数对应序列的长度，因此很容易识别出第一块。序列的长度很有用，因为它允许程序很容易找到字符边界。ASCII字符都是7位的，所以每一个字符只需要一个大块，这对说英语的人来说很方便，因为它比其他需要非ASCII符号的语言更紧凑。

从图1-16中可以看到，字母A的数字编码在ASCII码和Unicode码中是相同的。为了用UTF-8编码A，不管是什么编码，只要适合7位的编码，都会得到一个UTF-8块，MSB设置为0。这就是UTF-8中字母A有前导0的原因。π符号的Unicode不适合7位编码，但适合11位编码。为了用UTF-8对π编码，我们使用2个8位块，第一个块以110开头，第二个块以10开头，这样每个块分别剩余5个位和6个位来保存剩余的编码。最后，我们看到的Unicode是16位的，所以需要3个UTF-8块。

图1-16　UTF-8编码示例