说说字符编码

一直在说字符编码,什么ASCII,UTF-8,GB2312,Unicode等编码,每次遇到需要编码的时候都是使用系统默认编码,或者不停的尝试变换编码格式,知道没有编码问题就好了,就是只知道用,却不知道原理,今天突然很想了解编码的原理,以后在使用的时候就可以直接使用了.

通过查询资料,知道字符编码大致分为UTF-8,ASCII,UNICODE,GB2312,下面先逐步介绍每个字符编码

1. ASCII

我们都知道计算机内部,所有的信息都最终表示为一个二进制字符串,每个二进制位有两种状态:0和1,因此8个二进制组就可以组合出256种不同的状态,这被称为一个字节,也就说一个字节可以表示256种不同的状态,每一个状态对应一个符号,就是256个符号,从00000000到11111111.上个世纪60年代,美国制定了一套字符编码,对英语字符与二进制字符之间的关系,做了统一规定,这个被称为ASCII,一直沿用至今,ASCII码一共规定了128个字符的编码,比如空格为32(二进制00100000),大写字母A是65(二进制01000001),这128个字符(包括32个不能打印的字符),只占用了一个直接的后7位,最前面的1位统一规定为0.

这个时候大家可能会有疑问,比如像汉字以及其他国家的文字,远远不只256个,这个时候如何去表示,显然ASCII编码远远不够,因此需要一种非ASCII编码,首先来说说非ASCII编码

2. 非ASCII编码

英语用128个符号编码就够了,但是用来表示其他语言,128个字符远远不够.不如,在法语中,字母上方用注音符号,它是无法用ASCII码表示.于是,一些欧洲国家就规定,利用字节中闲置的最高位编入新的符号.比如,法语中的e的编码为130(二进制10000010),这样一来,这些欧洲国家使用的编码体系,可以表示最多256个符号.

但是这有出现新的问题,不同的国家不同的字母,因此,哪怕他们都使用256个符号的编码方式,代表的字母却不一样,不如130在法语中表示e,在希伯来语编码中却代表了字母Gimel(),在俄语中有会代表另一个字符,但是不管怎样,所有这些编码方式中0-127表示的符号是一样的,不一样的只是128-255的这一段.

至于亚洲国家的文字,使用的符号就更多了,就咋中文汉字就多达10万左右,一个字节只能表示256中符号,肯定是远远不够用的,这样就必须使用多个来表达一个符号,比如,简体中文常见的编码方式是GB2312,使用两个字节表示一个汉字,所以理论上最多可表示256*256=65536个符号.

这里指出,虽然都是多个字节表示一个符号,但是GB类的汉字编码与后文的Unicode和UTF-8是毫无关系的.

3. Unicode编码

Unicode字符集(UCS),国际标准组织于1984年4月成立ISO/IEC/JTC1/SC2/WG2工作组,针对各国文字,符号进行统一性编码,1991年美国跨国公司成立Unicode Consortium,并于1991年10月与WG2达成协议,采用统一编码字符集,目前Unicode是采用16位编码体系,其字符集内容与ISO10646的BMP(Basic Multilingal Plane)相同.Unicode于1992年6月通过DISDraf International Standard),目前版本V2.0 于1996年公布,内容包含符号6811个,汉字20902个,韩文拼音11172个,造字区6400个,保留20249个,共计65534个.Unicode编码后大小是一样的,例如一个英文字母”a”和一个汉字”好”,编码后都是占用空间大小是一样的,都是两个字节.

unicode可以用来表示所有的语言字符,而且是定长双字节(也有四字节的)编码,包括英文字母在内.所以说他是不兼容ISO8859-1编码的,也不兼容任何编码.不过相对于ISO8859-1编码来说,Unicode编码只是在前面增加了一个0字节,比如字母"a”为"00 61”.

需要说明的是,定长编码便于计算机处理(注意GB2312/GBK不是定长编码),而Unicode又可以用来表示所有字符,所以在很多软件内部是使用Unicode编码来处理的,比如Java.

Unicode当然是一个很大的集合,现在的规模可以容纳100多万个符号.每个符号的编码都不一样,比如,U+0639表示阿拉伯字母Ain,U+0041表示英语的大写字母A,U+4E25表示汉字”严”.具体的符号对应表,可以查询Unicode.org,或者专门的汉字对应表.

Unicode的问题

需要注意的是,Unicode只是一个符号集,它只规定了符号的二进制代码,却没有规定这个二进制代码如何存储.

比如汉字”严”的Unicode是十六进制4E25,转换成二进制数足足有15位（100111000100101），也就是说这个符号的表示至少需要两个字节。表示其他更大的符号，可能需要3个字节或者4个直接，甚至更多。

这里就有两个严重的问题，第一个问题是，如何才能区别Unicode和Ascii？计算机怎么知道三个字节表示一个符号，而不是分别表示三个符号呢？第二个问题是我们已经知道，英文字母只用一个字节表示就够了，如果Unicode统一规定，每个符号用三个或4个直接表示，那么每个英文字母前必然有二到三个字节是0，这对于存储来说是极大的浪费，文本文件的大小会因此大出2,3倍，这是无法接受的

他们造成的结果是：

1）出现了Unicode的多种存储方式，也就是说有许多种不同的二进制格式，可以用来表示Unicode。

2） Unicode在很长一段时间内无法推广,直到互联网的出现.

4. UTF-8

互联网的普及,强烈要求出现一种统一的编码方式,UTF-8就是在互联网上使用最广的一种Unicode的实现方式.其他实现方式还包括UTF-16和UTF-32,不过互联网上基本不用.重复一遍:UTF-8是Unicode的实现方式之一.

UTF-8最大的一个特点,就是它是一种变长的编码方式.他可以使用1~4个字节表示一个符号,根据不同的符号二变化字节长度.

UTF-8的编码规则很简单,只有两条:

1) 对于单字节的符号,直接的第一位设为0,后面7位为这个符号的Unicode码.因此对于英语字母,UTF-8编码和ASCII码是相同的.

2) 对于n直接的符号(n>1),第一个字节的前N位都设为1,第n+1位设为0,后面字节的前两位一律设为10.剩下的没有提及的二进制位,全部为这个符号的Unicode码.

下表总结了编码规则,字母X表示可用编码的位.

unic符号范围 | UTF-8编码方式

(十六进制) | (二进制)

--------------------------+------------------------------------------

0000 0000-0000 007F | 0xxxxxxx
0000 0080-0000 07FF | 110xxxxx 10xxxxxx
0000 0800-0000 FFFF | 1110xxxx 10xxxxxx 10xxxxxx
0001 0000-0010 FFFF | 11110xxx 10xxxxxx 10xxxxxx 10xxxxxx

下面,还是以汉字”严”为例,演示如何实现UTF-8编码.

已知”严”的Unicode是4E25(100111000100101),根据上表,可以发现4E25处在第三行的范围内(0000 0800-0000 FFFF),因此”严”的UTF-8编码需要三个字节,及格式是”1110xxx 10xxxxxx 10xxxxxx”.然后,从”严”的最后一个二进制位开始,依次从后向前填入格式中的x,多出的位补0.这样就得到了”严”的UTF-8编码是”11100100 10111000 10100101”,转成十六进制就是E4B8A5.

Unicode与UTF-8之间的转换

通过上一节的例子,可以看到”严”的Unicode码是4E25,UTF-8编码是E4B8A5,两者是不一样的.他们之间的转换可以通过程序实现.

在windows平台下,有一个最简单的转换方法,就是使用内置的记事本小程序notepad.exe.打开文件后,点击”文件”菜单中的”另存为”命令,会跳出一个对话框,在最底部有一个”编码”的下拉条.会出现多个编码方式

1) ANSI是默认的编码方式,对于英文文件是ASCII编码,对于简体中文文件是GB2312编码(只针对windows简体中文版,如果是繁体中文会采用Big5码)
2) Unicode编码是指UCS2编码方式,即直接用两个字节存入字符的Unicode码.这个选项用little endian格式.
3) Unicode big endian编码与上一个选项相对应.我在下面会解释little endian和big endian涵义.
4) UTF-8编码,也就是上一节谈到的编码方式.

选择完”编码方式”后,点击”保存”按钮,文件的编码方式就立刻转换好了.

Little endian 和bigEndian

上面提到,Unicode码可以采用UCS-2格式直接存储.以汉字”严”为例,Unicode码是4E25,需要用两个字节存储,一个字节是4E,另一个字节是25.存储的时候4E在前,25在后,就是Big Endian方式;25在前,4E在后,就是Little Endian方式.

当然到这里,肯定会有一个疑问,计算机怎么知道某一个文件到底采用哪一种编码方式?

Unicode规范中定义,每个文件的最前面分别加入一个表示编码顺序的字符,这个字符的名字叫作”零宽度非换行空格”(ZERO WIDTH NO-BREAK SPACE)用FEFF表示.这正好是两个字节,而且FF比FE大1.

如果一个文本文件的头两个字节是FEFF,就表示该文件采用大头方式;如果头两个直接是FF FE,就表示该文件采用小头方式.

实例

下面,举一个实例

打开”记事本”程序Notepad.exe,新建文本文件,内容就是一个严字,依次采用ANSI,Unicode,Unicode big endian和UTF-8编码方式保存.

然后,用文本编辑软件UtraEdit的”十六进制功能”,观察该文件的内部编码方式.

1) ANSI:文件的编码就是两个字节”D1 CF”,这正是”严”的GB2312编码,这也暗示GB2312是采用大头方式存储的.
2)Unicode: 编码是四个字节”FF FE 25 4E”,其中”FF FE”表明是小头方式存储,真正的编码是4E25.
3) Unicode big endian: 编码是4个字节”FE FF 4E 25”,其中”FF EF”表明是大头方式存储.
4) UTF-8:编码是6个字节”EF BB BF E4 B8 A5”,前三个字节”EF BB BF”表示这是UTF-8编码,后三个”E4B8A5”就是”严”的具体编码,他的存储顺序与编码顺序是一致的.

6. 国标

6.1 GB码

    全称是GB2312-80《信息交换用汉字编码字符集基本集》，1980年发布，是中文信息处理的国家标准，在大陆及海外使用简体中文的地区（如新加坡等）是强制使用的唯一中文编码。P-Windows3.2和苹果OS就是以GB2312为基本汉字编码， Windows 95/98则以GBK为基本汉字编码、但兼容支持GB2312。

双字节编码

范围：A1A1~FEFE

A1-A9：符号区，包含682个符号

B0-F7：汉字区，包含6763个汉字

6.2 GB2312
    GB2312(1980年)一共收录了7445个字符，包括6763个汉字和682个其它符号。汉字区的内码范围高字节从B0-F7，低字节从 A1-FE，占用的码位是72*94=6768。其中有5个空位是D7FA-D7FE。GB2312-80中共收录了7545个字符，用两个字节编码一个字符。每个字符最高位为0。GB2312-80编码简称国标码。
　　GB2312支持的汉字太少。1995年的汉字扩展规范GBK1.0收录了21886个符号，它分为汉字区和图形符号区。汉字区包括21003个字符。
6.3 GB12345-90
1990年制定了繁体字的编码标准GB12345-90《信息交换用汉字编码字符集第一辅助集》，目的在于规范必须使用繁体字的各种场合，以及古籍整理等。该标准共收录6866个汉字（比GB2312多103个字，其它厂商的字库大多不包括这些字），纯繁体的字大概有2200余个。
双字节编码
范围：A1A1~FEFE
A1-A9：符号区，增加竖排符号
B0-F9：汉字区，包含6866个汉字

6.4 GBK
    GBK编码(Chinese Internal Code Specification)是中国大陆制订的、等同于UCS的新的中文编码扩展国家标准。gbk编码能够用来同时表示繁体字和简体字，而gb2312只能表示简体字，gbk是兼容gb2312编码的。GBK工作小组于1995年10月，同年12月完成GBK规范。该编码标准兼容GB2312，共收录汉字21003个、符号883个，并提供1894个造字码位，简、繁体字融于一库。Windows95/98简体中文版的字库表层编码就采用的是GBK，通过GBK与UCS之间一一对应的码表与底层字库联系。
英文名：Chinese Internal Code Specification
中文名：汉字内码扩展规范1.0版
双字节编码，GB2312-80的扩充，在码位上和GB2312-80兼容
范围：8140~FEFE（剔除xx7F）共23940个码位
包含21003个汉字，包含了ISO/IEC 10646-1中的全部中日韩汉字