位（bit）、字节（byte）、字符、编码之间的关系
1、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；
2、字节：
8个位构成⼀个字节；即：1 byte (字节)= 8 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)
3、字符：
a、A、中、+、*、の......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；
⼀般 gbk 编码下，⼀个汉字 字符 占⽤ 2 个 字节；
4、字符集：
即各种各个字符的集合，也就是说哪些汉字，字母（A、b、c）和符号（空格、引号..）会被收⼊标准中；
5、编码：
规定每个“字符”分别⽤⼀个字节还是多个字节存储，⽤哪些字节来存储，这个规定就叫做“编码”。（其实际是对字符集中字符进⾏编码，即：每个字符⽤⼆进制在计算中表⽰存储）；
通俗的说：编码就是按照规则对字符进⾏翻译成对应的⼆进制数，在计算器中运⾏存储，⽤户看的时候（⽐如浏览器），在⽤对应的编码解析出来⽤户能看懂的；
（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；
⽤7位⼆进制数来对每1个字符进⾏编码；
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；
0 000 0000 0
0 111 127； 从0----127，来表⽰128个ACSii编码；
⽐如：字符 'A'----------在计算器内部⽤0100 0001 （65）来表⽰；
字符'a'-----------在计算器内部⽤0 110 0001 （97）来表⽰；
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；
（2）扩展ASCii字符集：将标准的ASCii最⾼位1，得到⼗进制代码128---255（1 000 0000----1 111 1111）；所以字符集⼀共有0---255, 256个字符；
（3）gb2312字符集: 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；
所以：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；
（4）gbk字符集：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；
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；
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；
即：在gbk字符编码，如果第⼀个字节是>128的，则再往后⼀个字节，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）；
// gbk编码下，⽆乱码截取中⽂字符；
// ⽅法1：⾃定义函数1;
function subgbk($str,$lens){ // 形参 $str 表⽰将要截取的原始字符串， $lens 表⽰设定需要截取的字符个数； if($lens<=0){
return '';
}
$chars = 0; // 计算，统计已经截取的字符个数；
$res = ''; // 已经截取的字符长度;
$offset = 0; // 偏移量，从字符串中那个字节开始截取;
$lengths = strlen($str); // 将要截取的原始字符串字节的数；
while($chars<$lens && $offset<$lengths){
$hight = ord(substr($str,$offset,1)); // 计算出 gbk字符中⾼字节的所对应编码的值;
if($hight>128){
// 截取两个字节，代表⼀个字符；即：双字节字符;
$count = 2;
}else{
//截取⼀个字节，代表⼀个字符，即：单字节字符；
$count = 1;
}
$res .= substr($str,$offset,$count);
$offset += $count;
$chars++;
}
return $res;
}
>
// ⽅法2：⾃定义函数2；
// 思路：先把字符串中所有的字符逐⼀取出来组成数组，然后对数组元素进⾏截取；最后截取出的数组拼接成想要的字符串;
function strgbk2($str,$strat,$length=NULL){ // 第三个参数默认设置的值是NULL，这个参数是参考了下边的array_slice()函数，如果省略的话，则表⽰，⼀直截取到最 $zijielen = strlen($str); // 计算出原始字符串 $str 的字节长度;
$chars = 0; // 统计计算截取的字符数;
$zifuarr = array(); //将字符串按照字符的形式分割到数组中；(待存储);
for($i = 0;$i<$zijielen;){ // $i 表⽰原始字符串 $str 中的字节(标记);
if(ord(substr($str,$i,1)) > 128){
// 双字节字符，两个字节来表⽰⼀个字符；
$zifuarr[] = $str[$i].$str[$i+1];
// $zifuarr[] = substr($str,$i,2); 两种写法的意思是⼀样的，都是取得某个字符某些的字节；
$i += 2;
}else{
// 单字节字符，⼀个字节表⽰⼀个字符；
$zifuarr[] = $str[$i];
// $zifuarr[] = substr($str,$i,1); 两种写法的意思是⼀样的，都是取得某个字符某个的字节；
$i++;
}
$chars++; // 每次循环，相当于截取⼀个存储字符; 相当于所有的数组元素个数 count($zifuarr);
}
if($chars < $strat){ // 当偏移过字符总长度时候；(开始截取的位置，已经超过了字符的总长度)；
return 'No characters have been found !';
}
return implode(array_slice($zifuarr,$strat,$length)); // array_slice（）是截取数组⼀部分;implode()是将截取出来的字符串，链接起来；
}
>
<?php
// ⽅法3：⽤php内置的函数 mb_substr截取；
//此函数和 mb_strlen()函数⼀样，都是针对多字节字符的操作函数，在特定的编码下，针对字符的截取(mb_substr)和长度的计算(mb_strlen)；
$strgbk = 'ds我是fdg⼀个中国xghdt⼈';
echo mb_substr($strgbk,2,3,'gbk'); // 我是f
>
（5）Unicode字符集：容纳世界上所有语⾔字符和符号的集合；（以及对应的⼆进制数字）；
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。
（6）utf-8编码：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。
ascii是几位二进制编码对于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)；
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)；
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；
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；
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；
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；
// 如何截取中⽂，⽆乱码，假设utf-8编码；
发表评论