本文包括2部分內容：“ASCII，Unicode和UTF-8” 和 “Big Endian和Little Endian”。

第1部分 ASCII，Unicode和UTF-8 介紹

1. ASCII碼

我們知道，計算機內部，所有信息最終都是一個二進制值。每一個二進制位（bit）有0和1兩種狀態，因此八個二進制位就可以組合出256種狀態，這被稱為一個字節（byte）。也就是說，一個字節一共可以用來表示256種不同的狀態，每一個狀態對應一個符號，就是256個符號，從00000000到11111111。

上個世紀60年代，美國制定了一套字符編碼，對英語字符與二進制位之間的關系，做了統一規定。這被稱為 ASCII 碼，一直沿用至今，具體可查閱 ASCII碼對照表。

ASCII 碼一共規定了128個字符的編碼，比如空格SPACE是32（二進制00100000），大寫的字母A是65（二進制01000001）。這128個符號（包括32個不能打印出來的控制符號），只占用了一個字節的后面7位，最前面的一位統一規定為0。

2.非ASCII編碼

英語用128個符號編碼就夠了，但是用來表示其他語言，128個符號是不夠的。比如，在法語中，字母上方有注音符號，它就無法用 ASCII 碼表示。于是，一些歐洲國家就決定，利用字節中閑置的最高位編入新的符號。比如，法語中的é的編碼為130（二進制10000010）。這樣一來，這些歐洲國家使用的編碼體系，可以表示最多256個符號。

但是，這里又出現了新的問題。不同的國家有不同的字母，因此，哪怕它們都使用256個符號的編碼方式，代表的字母卻不一樣。比如，130在法語編碼中代表了é，在希伯來語編碼中卻代表了字母Gimel (?)，在俄語編碼中又會代表另一個符號。但是不管怎樣，所有這些編碼方式中，0--127表示的符號是一樣的，不一樣的只是128--255的這一段。

至于亞洲國家的文字，使用的符號就更多了，漢字就多達10萬左右。一個字節只能表示256種符號，肯定是不夠的，就必須使用多個字節表達一個符號。比如，簡體中文常見的編碼方式是 GB2312，使用兩個字節表示一個漢字，所以理論上最多可以表示 256 x 256 = 65536 個符號。

中文編碼的問題需要專文討論，這篇筆記不涉及。這里只指出，雖然都是用多個字節表示一個符號，但是GB類的漢字編碼與后文的 Unicode 和 UTF-8 是毫無關系的。

3.Unicode

正如上一節所說，世界上存在著多種編碼方式，同一個二進制數字可以被解釋成不同的符號。因此，要想打開一個文本文件，就必須知道它的編碼方式，否則用錯誤的編碼方式解讀，就會出現亂碼。為什么電子郵件常常出現亂碼？就是因為發信人和收信人使用的編碼方式不一樣。

可以想象，如果有一種編碼，將世界上所有的符號都納入其中。每一個符號都給予一個獨一無二的編碼，那么亂碼問題就會消失。這就是 Unicode，就像它的名字都表示的，這是一種所有符號的編碼。

Unicode 當然是一個很大的集合，現在的規模可以容納100多萬個符號。每個符號的編碼都不一樣，比如，U+0639表示阿拉伯字母Ain，U+0041表示英語的大寫字母A，U+4E25表示漢字嚴。具體的符號對應表，可以查詢unicode.org，或者專門的漢字對應表。

4. Unicode的問題

需要注意的是，Unicode 只是一個符號集，它只規定了符號的二進制代碼，卻沒有規定這個二進制代碼應該如何存儲。

比如，漢字嚴的 Unicode 是十六進制數4E25，轉換成二進制數足足有15位（100111000100101），也就是說，這個符號的表示至少需要2個字節。表示其他更大的符號，可能需要3個字節或者4個字節，甚至更多。

這里就有兩個嚴重的問題：

• 第一個問題是，如何才能區別 Unicode 和 ASCII ？計算機怎么知道三個字節表示一個符號，而不是分別表示三個符號呢？
  所以，為了避免混淆，必須加入一種編碼機制，比如目前非常常用的 UTF-8 編碼方式。
• 第二個問題是，我們已經知道，英文字母只用一個字節表示就夠了，如果 Unicode 統一規定，每個符號用三個或四個字節表示，那么每個英文字母前都必然有二到三個字節是0，這對于存儲來說是極大的浪費，文本文件的大小會因此大出二三倍，這是無法接受的。

它們造成的結果是：1）出現了 Unicode 的多種存儲方式，也就是說有許多種不同的二進制格式，可以用來表示 Unicode。2）Unicode 在很長一段時間內無法推廣，直到互聯網的出現。

5.UTF-8

互聯網的普及，強烈要求出現一種統一的編碼方式。UTF-8 就是在互聯網上使用最廣的一種 Unicode 的實現方式。其他實現方式還包括 UTF-16（字符用兩個字節或四個字節表示）和 UTF-32（字符用四個字節表示），不過在互聯網上基本不用。重復一遍，這里的關系是，UTF-8 是 Unicode 的實現方式之一。

UTF-8 最大的一個特點，就是它是一種變長的編碼方式。它可以使用1~4個字節表示一個符號，根據不同的符號而變化字節長度。

UTF-8 的編碼規則很簡單，只有二條：

1）對于單字節的符號，字節的第一位設為0，后面7位為這個符號的 Unicode 碼。因此對于英語字母，UTF-8 編碼和 ASCII 碼是相同的。

2）對于n字節的符號（n > 1），第一個字節的前n位都設為1，第n + 1位設為0，后面字節的前兩位一律設為10。剩下的沒有提及的二進制位，全部為這個符號的 Unicode 碼。

由此可見，Unicode是ASCII碼的超集（符號集合），而 UTF-8 是給前兩者加了殼之后的編碼方式。

下表總結了編碼規則，字母x表示可用編碼的位。

跟據上表，解讀 UTF-8 編碼非常簡單。如果一個字節的第一位是0，則這個字節單獨就是一個字符；如果第一位是1，則連續有多少個1，就表示當前字符占用多少個字節。

注意：如上表所示，每組編碼靠左邊的是高字節，靠右邊的是低字節。區別于高地址和低地址，后面會講到大小端的問題。

下面，還是以漢字嚴為例，演示如何實現 UTF-8 編碼。

嚴的 Unicode 是4E25（100111000100101），根據上表，可以發現4E25處在第三行的范圍內（0000 0800 - 0000 FFFF），因此嚴的 UTF-8 編碼需要三個字節，即格式是1110xxxx 10xxxxxx 10xxxxxx。然后，從嚴的最后一個二進制位開始，依次從后向前填入格式中的x，多出的位補0。這樣就得到了，嚴的 UTF-8 編碼是11100100 10111000 10100101，轉換成十六進制就是E4B8A5。

再次重復一遍，這里的關系是：Unicode是所有符號轉換至二進制代碼的符號集合，UTF-8是Unicode的實現方式之一，即 UTF-8 = Unicode符號集+變長的編碼方式。

6.Unicode 與 UTF-8 之間的轉換

通過上一節的例子，可以看到嚴的 Unicode碼 是4E25，UTF-8 編碼是E4B8A5，兩者是不一樣的。它們之間的轉換可以通過程序實現。

Windows平臺，有一個最簡單的轉化方法，就是使用內置的記事本小程序notepad.exe。打開文件后，點擊文件菜單中的另存為命令，會跳出一個對話框，在最底部有一個編碼的下拉條。

里面有四個選項：ANSI，Unicode，Unicode big endian和UTF-8。

1）ANSI是默認的編碼方式。對于英文文件是ASCII編碼，對于簡體中文文件是GB2312編碼（只針對 Windows 簡體中文版，如果是繁體中文版會采用 Big5 碼）。

2）Unicode編碼這里指的是notepad.exe使用的 UCS-2 編碼方式，即直接用兩個字節存入字符的 Unicode 碼，這個選項用的 little endian 格式。

3）Unicode big endian編碼與上一個選項相對應。我在下一節會解釋 little endian 和 big endian 的涵義。

4）UTF-8編碼，也就是上一節談到的編碼方法。

選擇完"編碼方式"后，點擊"保存"按鈕，文件的編碼方式就立刻轉換好了。

第2部分 Big endian 和 Little endian介紹

Big endian(大端法)是指低地址存放最高有效字節（MSB），而Little endian(小端法)則是低地址存放最低有效字節（LSB）。

通過文字理解可能比較抽象，下面用圖像加以說明。下圖是“0x12345678在兩種字節序中的存儲順序”：

1. Big Endian

   低地址                                            高地址
   ----------------------------------------->
   +-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+
   |     12     |      34    |     56      |     78    |   
   +-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+

說明：上面是0x12345678對應big endian的存儲方式。

(01) 0x12345678是int整數，它共有4個字節：分別是0x12, 0x34, 0x56, 0x78；其中，0x12是最高有效字節，0x78是最低有效字節。int占4個字節，這個是常識；0x12是十六進制的表示方式，0x12對應的二進制是00010010，正好是8位，也就是1個字節；因此0x12, 0x34, 0x56, 0x78共是4個字節。

(02) big endian是將最高有效字節存儲在低地址中，因為就是0x12(最高有效地址)，存在低地址；那么，從低往高地址依次存放0x12 --> 0x34 --> 0x56 --> 0x78。也就是上面圖像中的存儲方式。

2. Little Endian

   低地址                                            高地址
   ----------------------------------------->
   +-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+
   |     78     |      56    |     34      |     12    |   
   +-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+

說明：上面是0x12345678對應little endian的存儲方式。

(01) 0x12345678是int整數，它共有4個字節：分別是0x12, 0x34, 0x56, 0x78；其中，0x12是最高有效字節，0x78是最低有效字節。

(02) little endian是將最低有效字節存儲在低地址中，因為就是0x78(最低有效地址)，存在低地址；從低往高地址依次存放0x78 --> 0x56 --> 0x34 --> 0x12。也就是上面圖像中的存儲方式。

3. 網絡字節序，是大端序

在網絡傳輸中，TCP/UDP/IP 協議都采用大端字節序。因為，TCP/UDP/IP 等網絡協議規定接收到得第一個字節是高字節，存放到低地址，所以發送時會首先去低地址取數據的高字節，同樣接收端先接收到的字節為數據的高位。 在不同的操作系統平臺中，內存采用的字節序可能不同，x86和一般的OS（如windows，FreeBSD,Linux）使用的是小端模式。但比如Mac OS是大端模式。在不同平臺之間進行網絡傳輸時，需要進行特殊的轉換，詳見

網絡通信之 字節序轉換原理與網絡字節序、大端和小端模式

4. big endian 和 little endian判斷方式

下面，我們通過示例程序來判斷CPU是大端存儲還是小端存儲。
源碼如下(endian.c)：

void main() {
    int i = 0x12345678;
    char* pc = (char*)&i;
    if (*pc == 0x12) {
        printf("Big Endian\n");
    } else if (*pc == 0x78) {
        printf("Little Endian\n");
    }   
}

在 ubuntu12.04 系統下，運行的結果是“Little Endian”；
在 iOS 系統下，運行的結果也是“Little Endian”。

Java驗證實例
在java中，通過 ByteOrder.nativeOrder() 方法可以判斷當前平臺采用的時大端字節序還是小端字節序，代碼如下：

public static ByteOrder nativeOrder() {
    return Bits.byteOrder();
}

static ByteOrder byteOrder() {
    if (byteOrder == null)
        throw new Error("Unknown byte order");
    return byteOrder;
}

static {
    long a = unsafe.allocateMemory(8);
    try {
        unsafe.putLong(a, 0x0102030405060708L);
        byte b = unsafe.getByte(a);
        switch (b) {
        case 0x01: byteOrder = ByteOrder.BIG_ENDIAN;     break;
        case 0x08: byteOrder = ByteOrder.LITTLE_ENDIAN;  break;
        default:
            assert false;
            byteOrder = null;
        }
    } finally {
        unsafe.freeMemory(a);
    }
}

主要實現為static靜態方法，首先為long分配了8個字節內存，然后為long分配了值，之后拿出long的第一個字節，如果為數據的高位，那么平臺采用的是大端字節序，如果為數據的低位，那么平臺采用的時小端字節序。

Win系統驗證實例

下面，舉一個實例。

打開"記事本"程序notepad.exe，新建一個文本文件，內容就是一個嚴字，依次采用ANSI，Unicode，Unicode big endian和UTF-8編碼方式保存。

然后，用文本編輯軟件UltraEdit 中的"十六進制功能"，觀察該文件的內部編碼方式。

1）ANSI：文件的編碼就是兩個字節D1 CF，這正是嚴的 GB2312 編碼，這也暗示 GB2312 是采用大頭方式存儲的。

2）Unicode：編碼是四個字節FF FE 25 4E，其中FF FE表明是小頭方式存儲，真正的編碼是4E25。

3）Unicode big endian：編碼是四個字節FE FF 4E 25，其中FE FF表明是大頭方式存儲。

4）UTF-8：編碼是六個字節EF BB BF E4 B8 A5，前三個字節EF BB BF表示這是UTF-8編碼，后三個E4B8A5就是嚴的具體編碼，它的存儲順序與編碼順序是一致的。

參考文獻：

1. 字符編碼筆記：ASCII，Unicode和UTF-8
2. 網絡通信之 字節序轉換原理與網絡字節序、大端和小端模式