位（bit）、字节（byte）、字符、编码之间的关系

原文：https://blog.csdn.net/prdslf001001/article/details/78615823

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    1111..........................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，则再往后找一个字节，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）；

<?php
// 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;
}
?>

<?php

// 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，一直截取到最后末尾;

    $zijielen = strlen($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。

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；

<?php

    // 方法1：自定义函数；

function subutf8($str,$len){  // 两个形式参数，$str代表原始目标字符串，$len表示需要截取 字符 的个数;   注意是 字符的 个数；

        if($len<=0){     // 当 将要截取的字符数 <=0的时候 返回 空字符串；

            return '';
        }


        $chars = 0 ;                                // $chars 参数 代表 已经截取的字符的个数， 默认初始设置为0；
        $res = '';                                  // $res 参数 表示  已经截取的字符串的长度， 默认初始设置为空(字符串);
        $offset = 0;                                // $offset 参数 表示 字节 截取的偏移量； 即从字符串中（偏移几个字节）哪个字节开始截取；
        $lengths = strlen($str);                    // $lengths 参数 表示 原始整个字符串的 字节的长度;   而应保证 $offset < $lengths; 否则都无字符可截取；

        while($chars<$len && $offset < $lengths){   // $chars<$len; 应是<  而不是<= ；因为是从0开始的，并执行循环截取的；

            $higher = decbin(ord(substr($str,$offset,1)));  // 计算出 一个字符 中 第一个字节（高字节）的二进制；

            if(strlen($higher) < 8){      // decbin（）函数 转换出来的 二进制数 如果 <128（10000000） 的时候，即是二进制长度<8位的时候，前面高位不默认补0；
                // 截取一个字节；(表示一个字符)；
                $count = 1;

            }else if(substr($higher,0,3) == '110'){
                //截取两个字节(表示一个字符)；
                $count = 2;

            }else if(substr($higher,0,4) == '1110'){
                //截取三个字节(表示一个字符)；
                $count = 3;

            }else if(substr($higher,0,5) == '11110'){
                //截取四个字节(表示一个字符)；
                $count = 4;

            }else if(substr($higher,0,6) == '111110'){
                //截取五个字节(表示一个字符)；
                $count = 5;

            }else if(substr($higher,0,7) == '1111110'){
                //截取六个字节(表示一个字符)；
                $count = 6;

            }

            $res .= substr($str,$offset,$count);

            $offset += $count;

            $chars++;

        }

    return $res;
}

?>

<?php

//方法2:使用系统函数截取
mb_substr(),不会乱码.例:
$str = '换s几ss个字实现中文字串截取无乱码的方法。';
echo mb_substr($str,0,5,'UTF-8');// '换s几ss'

?>php

// 中文字符串实现反转;

$a = '我是一个好人';
function strrevv($str) {
    $strlen = mb_strlen($str,'UTF-8');
    $arr = array();
    for($a=0;$a<=$strlen;$a++) {

        $arr[] = mb_substr($str,$a,1,'UTF-8');
    }

    $newstr = implode('',array_reverse($arr));
    return $newstr;
}
echo strrevv($a);

// mb_strlen(str,utf-8);   字符串中字符的个数;

// mb_substr(str,start,length,utf-8); 多字节字符的截取;

// mb_strpos(str,needle,offset,utf-8);查找子字符串，在字符串中出现的位置;

// mb_substr_count(str,needle,utf-8);统计子字符串，在字符串中出现的次数;