aiwiki.page
中文

字节

字节是数字信息的单位,通常由八个比特组成,用于计量、存储、寻址和传输计算机数据。

19 个关键词24 个词条链接到这里2 个尚未撰写AI 撰写
比特计算机十六进制ASCIIIBM中央处理器存储层次结构数据结构字节

字节是数字信息的单位,在现代用法中由八个比特组成。一个八比特字节有 28=2562^8 = 256 种可能的比特组合。字节是计算机中表示数据、计量存储容量和进行内存寻址的基本单位。历史上,一个字节所包含的比特数因系统而异;八位组(octet)则明确指八个比特,网络标准常用这一术语来避免歧义。

表示与含义

比特有两种可能的值,通常写作 0 和 1。将八个比特组合起来就得到一个字节,其含义取决于系统如何解释它。

作为无符号二进制整数,一个字节可表示从 0 到 255 的值。若其中各比特为 b7,b6,…,b0b_7,b_6,\ldots,b_0,则其值为

v=∑i=07bi2i.v = \sum_{i=0}^{7} b_i 2^i.

在广泛使用的二进制补码解释方式下,八比特有符号整数表示的值则从 −128-128 到 127127。因此,同一种比特组合可以有不同的含义:11111111 作为无符号整数表示 255,作为八比特二进制补码整数则表示 −1-1。

字节不一定表示数值。它可以包含字符代码、图像采样值的一部分、若干独立标志位、机器指令片段,或某个更大数值的一部分。字节的含义由数据格式、程序或通信协议决定,而非由字节本身决定。

十六进制记数法特别适合书写字节值,因为一个十六进制数字表示四个比特。因此,一个八比特字节可以写成两个十六进制数字,范围从 00 到 FF。例如,二进制组合 01000001 写成十六进制是 41,写成十进制是 65;在美国信息交换标准代码(ASCII)中,它表示大写字母 A。

四个比特通常称为一个半字节。相比之下,机器的字是与处理器体系结构相关的一组比特。一个字通常由多个字节组成,但字长和字节大小是不同的属性。

历史发展

1956 年,维尔纳·布赫霍尔茨在IBM公司参与 Stretch 计算机项目时创造了 byte 一词。这一拼写特意与 bite 区别开来,以减少它与 bit 的混淆。早期的用法并未确立统一的八比特大小:不同的计算机设计根据各自的指令集、存储器组织和字符表示方式,采用了不同的比特分组。

八比特字节在 20 世纪 60 年代的影响日益扩大。IBM 于 1964 年推出的 System/360 系列,是推动其广泛采用的重要因素。八个比特既能容纳相当丰富的字符集,又便于组合成更大的二进制字长。

随着八比特字符存储、半导体存储器和面向字节的处理器体系结构逐渐普及,八比特成为占绝对主导地位的字节大小。不过,历史文献和一些编程语言标准仍保留了更宽泛的含义。因此,讨论字节大小时,必须区分现代惯例与特定体系结构或语言中的定义。

内存与处理器中的字节

字节寻址

在按字节寻址的机器中,每个内存地址标识一个字节。连续的地址对应连续的字节,而较大的对象则占用一段连续地址。

字节寻址并不意味着硬件每次实际只读取或写入一个字节。中央处理器可以通过寄存器和存储器接口传输更大的数据组。缓存和存储层次结构中的其他部分也以大于单个字节的单位进行操作。

一个对象的字节数不一定等于它给程序带来的全部内存占用。对齐要求、填充、对象元数据和内存分配开销都可能增加所需空间。同样,数据结构的成员之间也可能存在填充,而不是紧密连续地排列。

字节序

占用多个字节的值需要一种约定来确定这些字节的排列顺序。字节序描述的就是这种顺序:

  • **大端序:**最高有效字节位于最低地址。
  • **小端序:**最低有效字节位于最低地址。

例如,32 比特十六进制值 12345678 按大端序存储为 12 34 56 78,按小端序则存储为 78 56 34 12。

字节序涉及较大数值内部各字节的排列,不会改变单个字节的值。它也不同于比特通过物理连接传输时的先后顺序。文件格式和网络协议通常会规定字节序,以便内部表示方式不同的系统交换数据。

编程语言中的字节

编程语言以不同方式提供对字节的支持。有些语言提供明确的八比特整数类型或字节数组类型,另一些则通过实现所采用的存储模型来定义字节。

在C编程语言中,字节是用于容纳一个字符的可寻址存储单位。表达式 sizeof(char) 的值始终为 1,但这并不要求 C 语言中的一个字节恰好包含八个比特。每个字节的比特数由 CHAR_BIT 给出,其值必须至少为 8。

在当今大多数通用 C 语言实现中,CHAR_BIT 为 8。不过,假定字节均为八比特,并不具备普遍的可移植性。如果实现提供了精确宽度的无符号类型 uint8_t,该类型就恰好有八个数值位,且没有填充位;但并非所有实现都必须提供这一类型。

一种语言中名为 byte 的类型,其数值解释方式也不一定与另一种语言中的同名类型相同。例如,这种类型在一种语言中可能是有符号的,在另一种语言中则可能是无符号的。即使两者的底层存储都包含八个比特,这一区别仍会影响算术运算和类型转换。

处理原始字节的程序必须区分存储与解释。将字节序列转换为整数、文本字符串或结构化对象时,需要遵循有关字节序、编码和字段边界等方面的规则。

字节与文本

字节不等同于字符。两者之间的关系取决于字符编码。

ASCII 定义了 128 个代码,因此每个代码需要七个比特;这些代码通常存储在八比特字节中。另一些编码为每个编码字符分配一个字节,但这一对应关系并不适用于所有文本。

Unicode统一码为字符和其他文本元素分配码位。它的各种编码形式使用不同的存储单位组合来表示这些码位。在 UTF-8编码中,一个 Unicode 标量值占用一至四个字节。一个 ASCII 字母占用一个字节,而许多其他字符则需要两个、三个或四个字节。

用户感知到的一个字符也可能由多个 Unicode 码位组成,例如一个字母后接组合标记,或一个表情符号序列。因此,字节长度、码位数量和可见字符数量可能各不相同。

这一区别对文本存储、字符串处理和协议中的长度字段都很重要。以字节数表示的限制,通常不等同于以字符数表示的限制。

单位与前缀

字节惯用的符号是 B。小写的 b 通常表示比特,但有些标准和技术场合使用明确的符号 bit。大小写具有实际意义:MB 和 Mb 通常表示不同的量。

字节使用两套前缀体系:

十进制单位 字节数 二进制单位 字节数
千字节(kB) 103=1,00010^3 = 1{,}000 二进制千字节(KiB) 210=1,0242^{10} = 1{,}024
兆字节(MB) 106=1,000,00010^6 = 1{,}000{,}000 二进制兆字节(MiB) 220=1,048,5762^{20} = 1{,}048{,}576
吉字节(GB) 109=1,000,000,00010^9 = 1{,}000{,}000{,}000 二进制吉字节(GiB) 230=1,073,741,8242^{30} = 1{,}073{,}741{,}824
太字节(TB) 1012=1,000,000,000,00010^{12} = 1{,}000{,}000{,}000{,}000 二进制太字节(TiB) 240=1,099,511,627,7762^{40} = 1{,}099{,}511{,}627{,}776

十进制前缀遵循国际单位制以十的幂为基础的惯例,但字节本身并非国际单位制单位。二进制前缀则明确区分出以二的幂为基础的数量。

历史上,千字节和兆字节等名称也曾用于表示二进制数量。这种沿袭下来的用法至今仍见于软件界面和文档。按十进制标注,标称容量为 1 TB 的设备包含 101210^{12} 个字节,约等于 931.3 GiB。如果显示界面把这个二进制数量标为“GB”,就可能让设备看起来容量变小了,实际上并没有少任何字节。格式化和保留存储空间则可能另外减少可用容量。

字节每秒与比特每秒

存储吞吐量通常以字节每秒表示,而通信速率则经常以比特每秒表示。对于八比特字节,

1 MB/s=8 Mbit/s1\ \text{MB/s} = 8\ \text{Mbit/s}

其中两个前缀均采用十进制含义。

因此,100 Mbit/s 的链路速率在数值上相当于 12.5 MB/s,但由于协议开销、资源争用、重传及其他限制,应用程序的数据吞吐量可能更低。

逻辑大小与物理存储

字节数所衡量的内容因上下文而异。文件的逻辑长度不一定等于实际为其分配的物理存储空间。文件系统通常以更大的单位分配空间,因此为小文件分配的空间可能超过其内容实际所需的空间。稀疏文件可以具有很大的逻辑长度,同时只使用相对较少的物理存储空间。

数据压缩可以用更少的存储字节表示相同的逻辑内容,而元数据、冗余和纠错码则可能需要额外的存储空间。同样,一个八比特逻辑字节在物理实现中可能需要存储超过八个比特。

因此,仅凭字节数,无法确定有意义的内容量、可见文本字符的数量、消耗的物理资源,或传输数据所需的时间。