汉字和英文在计算机中怎么存储的?存储占多大?

Question

常听说一个汉字占两个字节,为什么会占两个字节,英文单词怎么存储?

Answer 1

普及字符是如何被存储的。在计算机中，所有数据都是用0和1这样的位来描述。一个字节有8位，因此一个字节最多可以描述256个字符。在欧美国家，比如美国，他们的文字字符主要就是26个字母加上一些特殊符号(+-*/等)，用一个字节就可以存储，一个国家使用的所有字符就是一个code page，用一个字节存储字符的code page 叫做single-byte code page。但是在亚洲的一些国家，比如中国，常用汉字有几万个，根本不能用一个字节来表示所有的汉字字符，因此需要用两个字节描述。因为两个字节有16位，最多可以描述65536个字符，足够用来描述所有汉语字符以及常用字符，这些字符也是一个code page，不过是double-byte code page，主要针对的是中国。每个国家都有一个code page来对应所使用的字符。比如欧美国家，他们使用拉丁，虽然a-z这26个字母所对应的二进制在code page中是相同的，但是在重音（'é'和'á'）方面是不相同的。所以如果code page不同，那么相同的二进制代码所表示出来的字符也可能不相同。如果数据在不同code page的计算机上传输，就需要进行code page的转换，如果接收方的code page上没有定义传输方传送过来的特定字符的二进制位，那么就会出现数据丢失。上面讲到的这些都是同一个概念，那就是数据库中的collation。正如我们前面提到的，每一个国家可能都有自己的collation，这样的话在信息传输上会非常不方面，涉及到collation转换更是烦上加烦。那么用什么方法解决了。这个时候就出现了unicode。unicode是一个大字符表，将全世界上的所有字符都存在一个2字节的字符表中，并且全世界所有国家字符在字符表上都能找到唯一对应的标号。这样的一个好处就是我们使用了同意的字符表，就不要转换了。坏处是，想abc这样的字符，也要占用两个字节，而不是原来的一个自己。那么在sqlserver如何表现是unicode，在sqlservr中引入了nvarchar和nchar。比如nchar(10)，这样的一个结构最多可以存储10个汉字，也最多只能存储10个英文字母。但是所占用的字节就是20字节。而加入是char(10)的话，没有使用unicode，那么就可以存储10个英文字母，但是最多只能存储5个汉字。

Answer 2

建议阅读：字符集和字符编码（Charset & Encoding）