字符表示：赋予字母二进制的“声音”（教学大纲 3.5.4）

欢迎来到迷人的字符表示世界！在本章中，我们将探讨计算机是如何工作的——计算机本质上只理解二进制（由 0 和 1 组成的序列），它们究竟是如何存储、处理并显示我们日常使用的所有字母、数字和符号的，无论是英文字母还是复杂的表情符号（Emoji）或各国语言字符。

理解这个过程至关重要，因为它解释了文本数据是如何被处理的，以及为什么某些系统（如较旧的计算机）有时无法正确显示不同语言的字符。

1. 核心概念：字符集与编码

为了存储一个字符（比如 'A'、'7' 或 '$'），计算机并不会存储字符本身的形状，而是存储一个数字代码，随后将其转换为位模式（即二进制）。

  • 字符集（Character Set）：你可以把它想象成一本庞大且标准化的字典或查询表。它定义了计算机可以识别和解释的所有字符列表。
  • 唯一代码（Unique Code）：字符集中的每个字符都被分配了一个唯一的数值（即它的代码）。当你输入 'A' 时，计算机存储的是对应于 'A' 的数字。当它需要显示 'A' 时，就会去字符集中查询这个数字，从而知道要在屏幕上绘制什么样的形状。

重点摘要：文本数据以数字形式存储，而这些数字本身又是以位模式形式存储的。

2. ASCII：最初的标准

最早也是最基础的标准是 ASCII（美国信息交换标准代码，*American Standard Code for Information Interchange*）。

什么是 ASCII？

ASCII 诞生于 20 世纪 60 年代，成为了编码英文字符的标准方式。

  • 位长度：ASCII 是一个 7 位编码系统。
  • 容量：使用 7 位，我们可以表示 \(2^7\) 种不同的数值。
    \(2^7 = 128\) 个唯一字符。

这 128 个代码涵盖了：

  • 大写字母 (A-Z)
  • 小写字母 (a-z)
  • 数字 (0-9)
  • 常用标点符号（如 !, ?, &）
  • 控制字符（如回车或制表符）

你知道吗？在许多旧系统中，ASCII 被扩展到了 8 位（通常称为“扩展 ASCII”），以便多表示 128 个欧洲语言字符，但这些扩展在全球范围内并没有统一标准，这导致了严重的兼容性问题！

3. Unicode 的需求与 UTF-8 的兴起

ASCII 的主要问题在于其局限性：128 个字符远不足以表示全球使用的所有字符（试想一下汉字、阿拉伯文字，甚至是带重音的欧洲字母，如 'é'）。

Unicode 的出现就是为了解决这种国际化局限性。

了解 Unicode

Unicode 是一个字符集，它为全球几乎所有语言和脚本中的每一个字符都分配了一个唯一的数字。目前，它定义了超过 140,000 个字符。

  • 多种编码系统：与 ASCII 不同，Unicode 非常庞大，它使用多种方式（编码系统）来存储这些数字。
  • 你需要掌握的最常见且最重要的编码系统是 UTF-8。
聚焦 UTF-8

UTF-8（Unicode 转换格式 – 8 位，*Unicode Transformation Format – 8-bit*）是当今互联网上使用最广泛的 Unicode 编码系统。它因高效和高兼容性而广受欢迎。

变长编码：

UTF-8 是一个变长编码系统。这意味着它根据字符的不同，使用不同位数的二进制数据：

  • 对于常见字符（如英文字符），它使用 8 位（1 字节）。
  • 对于非常见字符，它可能使用 16、24 或 32 位（2、3 或 4 字节）。

向后兼容性：

UTF-8 的卓越之处在于它与 ASCII 的向后兼容性。Unicode/UTF-8 中的前 128 个字符（代码 0 到 127）与 ASCII 中的完全一致。这使得仅识别 ASCII 的老旧系统能够轻松处理基本的 UTF-8 文本而不会出错。

快速回顾：ASCII 与 UTF-8

ASCII：简单，7 位，128 个字符，仅限英语。

UTF-8：复杂，变长（8 到 32 位），全球通用，与 ASCII 向后兼容。

4. 理解字符代码分组

在解答考试题时，不需要死记硬背每一个字符代码，但你必须知道 ASCII 和 Unicode（因为在该范围内两者一致）中主要“字符块”的起始位置。

  • 数字 (0-9)：从代码 48 开始。
    例如：'0' = 48, '1' = 49, '9' = 57。
  • 英语大写字母 (A-Z)：从代码 65 开始。
    例如：'A' = 65, 'B' = 66。如果题目告诉你 'A' 是 65，你可以轻松算出 'G' = 65 + 6 = 71。
  • 英语小写字母 (a-z)：从代码 97 开始。
    例如：'a' = 97, 'b' = 98。

记忆小贴士：记住关键数字：48、65、97。

5. 关键区分：字符代码 vs. 纯二进制

这是常见的混淆点！你必须理解十进制数字的字符代码表示（如字符 '6'）与数值本身的纯二进制表示（如数字 6）之间的区别。

类比：标签 vs. 数量

想象你有 6 个苹果。
1. 苹果的数量是 6。在纯二进制中，这表示为 110（使用 3 位）。
2. 你写在盒子上的标签是字符 '6'。

分步示例（数字 6）：

我们想要存储数字 6。

情况 1：存储数值“6”（纯二进制）

如果你将数字 6 作为整数数据类型（integer）存储，计算机在计算时会使用纯二进制。

  • 十进制值：6
  • 纯二进制（8 位）：00000110

情况 2：存储字符 '6'（字符代码）

如果你将符号 '6' 作为字符串数据类型（string）的一部分（比如在电话号码或地址中）存储，计算机使用的是它的字符代码。

  • 我们知道数字字符从代码 48 开始。
  • 字符 '6' 是第 7 个数字字符（因为 '0' 是第 1 个）。
  • ASCII 代码：\(48 + 6 = 54\)。
  • ASCII 二进制（7 位）：0110110
  • UTF-8 二进制（8 位，填充后）：00110110

注意它们的区别：

纯二进制 (6)：00000110
字符代码 ('6')：00110110

如果计算机试图直接使用字符代码 '6' 来进行数学计算，结果将完全错误！这就是为什么编程中“字符串转整数”之类的转换操作至关重要的原因。

常见错误警示！

不要把数字的字符代码和数字本身的数值搞混。如果你读取文本 "123"，计算机看到的是三个独立的字符代码（分别代表 '1'、'2' 和 '3'），而不是一个数学值 123。

本章总结：字符表示

我们通过在字符集中为每个字符分配一个唯一的数值代码来表示字符。

  • ASCII（7 位）是最初的标准，限制为 128 个字符。
  • Unicode 是为了支持全球所有字符而创建的，它使用多种编码系统。
  • UTF-8 是目前主流的变长 Unicode 编码，设计之初就考虑了与 ASCII 的向后兼容（代码 0-127 完全相同）。
  • 请记住关键的起始代码：数字 (48)、大写 (65)、小写 (97)。
  • 数字的字符代码与其纯二进制数值是不同的。例如，字符 '1' 存储的代码是 49，而数值 1 存储为 00000001（8 位）。