在我们的计算机中，一切信息（文字、音视频、图片等）都是通过相关的规则转换成0和1的字符串表示，反过来，也能通过对应规则将计算机中这些0和1的编码解析出其代表的真实世界的信息。计算的本质也是将一种字符串通过规则转换成另一种字符串。
先说说进制，逢n进1，是n进制，像手表时针12进制，秒针60进制。计算机采用的是二进制，在人们日常生活习惯中使用的是十进制，那为什么计算机里却没有采用十进制呢？
- 最主要是二进制状态简单稳定，容易被表示，如灯的开关、电压高低等。如果用十种不同电压值表示十进制，就远没有高低电压的二进制稳定。
- 完全能处理逻辑，1表示‘是’0表示‘否’，也没浪费状态，十进制就不一样了，浪费了剩余的8个。最完美的公式拥有最简单的符号，而通过任意组合这些简单的符号，能实现所有的逻辑，有点道家
大道至简的味道。 - 二进制的运算规则比十进制少，如十进制乘法要
9*9=81种规则，二进制只有0*0、0*1、1*0、1*1，简化了计算机运算器的内部结构。
各种信息又是怎样用二进制表示的呢？
数字
数字分为整数、小数、正数、负数。正负数通过最高位0正1负表示，其余为数值位，计算机中的数字用补码表示，这样解决了+0和-0的问题，正数补码为原码本身，负数取反加1，补码的补码是其原码。
十进制转二进制规则：整数部分，是除2取余法直至0，小数部分是乘2取整直至1。表示方法也分为定点数表示法（整数和纯小数）和浮点数表示法，其中浮点数由尾数和阶码拼接组成。任意一个数 n=m*2^e，m为尾数（纯小数），e为阶码（整数），浮点数 = [有符阶码二进制数\][有符尾数二进制数]。小数位可能一直无法乘到1而无限循环，但二进制位有限，就会造成精度丢失，也就产生了0.1+0.2！=0.3的问题。
两个正数相加结果超出最高存储范围就会正溢出，负溢出是两负数相加过长。溢出后的值是理论结果mod2^n（n为位数），依据的是同余理论。
一些常见位运算 ~~n n向下取整 n>>1 n/2 向下取整 n<<1 n*2 忽略小数位
文字符号
计算机字符的转换规则统一遵循ascii码（美国信息交换标准码），128个字符分别表示键盘上的符号，包括数字、英文、运算符、删除回车等。ascii码占一个字节，128个数只需要7位，还剩余一位，则默认首位为0。其他一些国家会使用首位，这样在他们自己的编码集里128～255分别表示他们自己定义的符号。
中文个数比较多，一个字节完全不能表示尽，所以中文使用两个字节来表示。这样又会有个问题，两个字节中的一个可能和ascii码一样，防止冲突，在机内码中将汉字国标码每个字节最高位都改为1，即机内码=国标码+8080H。
Unicode(utf-8)是全球通用字符集，也叫万国码、统一码、唯一码，存的字符集数量更多，所以，每个字符分配4个字节。
平常遇到乱码的情况，就是你当前的字符集不兼容了。
音频
声音是物体震动产生的声波，再通过介质传播并能被听到的波动现象（百度百科解释）。计算机怎么存储的声音呢？是将声音震动波采样离散、量化离散后生成单个声波点，再将声波点编码成0、1字符串。
采样频率：单位时间内采样次数，单位hz，一般电话是8khz，音乐是44khz，采样频率越高，数据量越大。
量化位数：即采样精度，记录每个采样点需要的二进制位数，单位：位/字节。
声道：一个音频可有单到多个声道，每个声道能存储不同声音信息，电话一般是单声道，音乐是左右双声道，多声道声音更立体更环绕。
比特率：每秒音频包含的数据位数，单位bps。等于采样频率x量化位数x声道数
音频数据量： 比特率x时间
图片
一张图片是由无数个像素点组成，常说的分辨率axb就是有axb个像素点，也叫位图，栅格图片最小单位，每个像素点存储了一些信息，如位置、颜色、透明度等。其中颜色是如何编码化的呢？现实中任何一种颜色都可以通过三原色（红绿蓝）改变亮度组合而成。亮度是个无限量的概念，怎样通过有限的数据表示它呢？可以将亮度量化成有限的值。比如白天和黑夜是0、1两个，白灰黑是00、01or10、11三个，依此类推，计算机将三原色中每种颜色的亮度都量化成256个数值（0～255），然后将这些量化后的数值组合起来，就可以表示某个颜色都信息值，这就是常见的rgb颜色模型，如rgb（0，0，0）。
单色图像每个像素点只有1个bit，计算机用1表示黑色，0表示白色
灰度图像每个像素点4个bit，可以表示0000～1111 16种颜色
真彩色图像基于rgb模型图像，每个像素点占8bit*3，可表示256*256*256种颜色，完全满足肉眼需求，每个bit还能富余1位，so最高位都赋值为0。
对于rgba模型多出的a值表示的是透明度，取值范围0～1，表示这个像素点透明的程度。
这些像素的颜色需要通过显示器来展示，显示器上安有能发出三原色光线的元器件，也能改变亮度，配合上图片每个位图的各项信息，最终能呈现出物理世界的图片。这就有了另一个问题，同一个图片，在某些场景下，为何会出现模糊的情况？
默认一个位图对应一个物理像素，当一个位图对应多个物理像素时，就会通过就近取色算法（如像素颜色差值）根据附近颜色信息更新一个。如x,y,z横向三个像素点，y色值=(x色值+z色值)/2，导致图片看起来比较模糊。相反，如果一个物理像素对应多个位图，也会造成图片减少锐度、有色差。
Tips：设备物理像素为设备绝对像素，浏览器中css像素（即设备独立像素）为相对像素，pc端浏览器中独立像素和物理像素1:1对应，多倍屏浏览器中一个独立像素对应多个物理像素。移动端切图时候需要额外处理下，设计图的像素值是相对于电脑屏幕1倍图，但对于多倍屏来说，最终像素值要用ui图的值除以设备像素比。border 1px问题可以通过scale解决。
压缩
压缩分位有损压缩和无损压缩。精度要求高的采用无损压缩，像图片、音视频都采用有损压缩，不影响表达的同时大大减少数据量。比较简单的压缩方法aaaaabbbbccc => 5a4b3c，大大节省了存储空间。
我们编程的代码通过层层编译解释，最终也成为01表示的机器码。理解了这些基础知识，就很容易把具体事物抽象出来再用编码表示，对我们来说，计算机也就不再是个黑盒的存在了。