摘要： 理解計算機是如何存儲數據的。
- 原文：深入理解計算機系統cp1：存儲單位與編碼
- 作者：Chor
Fundebug經授權轉載，版權歸原作者所有。
1. 存儲單位
- 位：即 bit，表示二進制位，要麼是 0 ，要麼是 1。它是計算機內部數據存儲的最小單位。比如 11010100 共有8個二進制位，是一個8位二進制數。
- 字節：即 byte，它由8個二進制位構成，即 1byte=8bit，是計算機內部計量的基本單位。一個英文字符佔1個字節（8位），一個漢字佔2個字節（16位）
- 字：即word，它由若干個字節構成，是計算機內部進行數據處理和運算的基本單位。字的總的位數稱爲字長，不同檔次的計算機字長是不一樣的，比如32位機，它的1個字由4個字節構成，字長爲32位，也就是說其CPU一次操作處理的實際位數是32位。同理，64位機可以處理64位。由此可見，計算機的字長越大，其性能越優越。
- KB，MB：1024byte = 1KB，1024KB = 1MB。往上還有GB，TB。
PS：數據傳輸大多以 bit 爲單位，比如我們常說的網速100M/s，M/s其實Mbit/s，也就是兆比特每秒，我們還可以寫成100Mbps。
2. 編碼
2.1 爲什麼需要編碼？
- 計算機只能理解0和1，無法理解英文、字母、漢字和其他特殊字符，這些字符需要經過編碼才能成爲計算機可以理解的二進制數。
- 由字符到二進制數稱爲編碼，反過來則是解碼。
- 從字符到二進制數，需要有一個一一對應的映射，這個映射通過編碼規則來實現。
- 通常所說的編碼其實包括編碼+字符集（即字符的集合體），比如 Unicode 字符集，就有 UTF-8，UTF-16 等多種編碼。
2.2 編碼規則的演變
ASCII：
1)
/ˈæski/，即 American Standard Code for Information Interchange，美國信息交換標準代碼。本來一個字節有8位，每一位有0和1兩種狀態，則一個字節共有2^8=256種狀態，可以表示256種字符。但是美國佬比較自私，覺得只要可以表示自己的字母和一些特殊字符就足夠了，所以 ASCII 沒有佔用最高位（而是固定爲0），實際只用到了後面7位，它可以表示 2^7=128 種狀態，也就是表示128個字符。2) 很顯然，這用來表示字母是足夠的，但要想表示其它語言的字符，128還是太少了。
PS：附送 ASCII 對照表一張：
![]()
GB2312：
1) 既然美國佬只解決了字母和特殊符號的編碼問題，那麼我們中國人只好實現自己的編碼，從而來表示漢字了。所以這時候出現了 GB2312 編碼（國標碼）。
2) 問題：不幸的是，各個國家都是這麼想的，所以小日本有了 Shift_JIS 編碼，棒子有了 Euc-kr 編碼…..一時之間各國都有了自己的標準，那麼對於一個多語言混合的文本來說，存在着不同的編碼規則，最終必然導致亂碼。
Unicode：
1) Unicode 解決了編碼統一的問題。每種語言的每個字符在 Unicode 的規則下，都只有統一且唯一的對應二進制編碼。它的表示方法是
U+[16進制數]。例如，大寫字母 A 編碼爲U+0041，漢字“嚴”編碼爲U+4E25。2) 問題：Unicode 一般用2個字節（也就是16位）表示一個字符，這在表示 ASCII 字符的時候會出現問題。我們知道，ASCII 字符實際只需要一個字節就夠了，並且最高位甚至都還不需要用到，但是 Unicode 又規定表示一個字符至少需要2個字節，那麼一個 ASCII 字符前面就必須要補0以滿足這個規則，例如字母 A 就需要用
00000000 01000001表示，這些多餘的0是一個極大的資源浪費。UTF-8：
1) UTF：實際傳輸過程中，基於不同的系統平臺，對 Unicode 會有不不同的實現方式，其實現方式稱爲 Unicode Transformation Format，即 UTF。
2) 作爲 Unicode 的一種實現方式，UTF-8 展現了一定的靈活性——它是一種變長編碼，會根據具體字符來改變所需要的表示字節。其編碼規則只有兩條：
i>. 對於 128 個 ASCII 字符只需一個字節表示，字節的第一位補 0，後面 7 位爲這個字符的 ASCII 二進制數。Unicode 範圍爲 U+0000 至U+007F。
ii>. 對於 n 字節的符號（n>1），第一個字節的前 n 位都設爲 1，第 n+1 位設爲 0，後面字節的前兩位一律設爲 10。剩下的沒有提及的二進制位，全部爲這個符號的 Unicode 碼二進制數。Unicode 範圍由 U+0080 起。
也可以看下面這張圖：
以漢字“嚴”爲例，演示如何實現 UTF-8 編碼。
“嚴”的 Unicode 是 U+4E25（二進制數 100111000100101），據表，U+4E25 處在第三行的範圍內（U+0800 ~ U+FFFF），因此“嚴”的UTF-8 編碼需要三個字節，即格式 1110xxxx 10xxxxxx 10xxxxxx。然後，從“嚴”的最後一個二進制位開始，依次從後向前填入格式中的 x，多出的位補 0。這樣就得到 UTF-8 編碼（二進制）是 11100100 10111000 10100101，轉換成十六進制就是 E4B8A5。
參考：
關於Fundebug
Fundebug專注於JavaScript、微信小程序、微信小遊戲、支付寶小程序、React Native、Node.js和Java線上應用實時BUG監控。 自從2016年雙十一正式上線，Fundebug累計處理了20億+錯誤事件，付費客戶有陽光保險、核桃編程、荔枝FM、掌門1對1、微脈、青團社等衆多品牌企業。歡迎大家免費試用！