【转载】字符编码笔记：ASCII，Uni…

今天中午&＃xff0c;我突然想搞清楚Unicode和UTF-8之间的关系&＃xff0c;于是就开始在网上查资料。

结果&＃xff0c;这个问题比我想象的复杂&＃xff0c;从午饭后一直看到晚上9点&＃xff0c;才算初步搞清楚。

下面就是我的笔记&＃xff0c;主要用来整理自己的思路。但是&＃xff0c;我尽量试图写得通俗易懂&＃xff0c;希望能对其他朋友有用。毕竟&＃xff0c;字符编码是计算机技术的基石&＃xff0c;想要熟练使用计算机&＃xff0c;就必须懂得一点字符编码的知识。

1. ASCII码

我们知道&＃xff0c;在计算机内部&＃xff0c;所有的信息最终都表示为一个二进制的字符串。每一个二进制位&＃xff08;bit&＃xff09;有0和1两种状态&＃xff0c;因此八个二进制位就可以组合出256种状态&＃xff0c;这被称为一个字节&＃xff08;byte&＃xff09;。也就是说&＃xff0c;一个字节一共可以用来表示256种不同的状态&＃xff0c;每一个状态对应一个符号&＃xff0c;就是256个符号&＃xff0c;从0000000到11111111。

上个世纪60年代&＃xff0c;美国制定了一套字符编码&＃xff0c;对英语字符与二进制位之间的关系&＃xff0c;做了统一规定。这被称为ASCII码&＃xff0c;一直沿用至今。

ASCII码一共规定了128个字符的编码&＃xff0c;比如空格"SPACE"是32&＃xff08;二进制00100000&＃xff09;&＃xff0c;大写的字母A是65&＃xff08;二进制01000001&＃xff09;。这128个符号&＃xff08;包括32个不能打印出来的控制符号&＃xff09;&＃xff0c;只占用了一个字节的后面7位&＃xff0c;最前面的1位统一规定为0。

2、非ASCII编码

英语用128个符号编码就够了&＃xff0c;但是用来表示其他语言&＃xff0c;128个符号是不够的。比如&＃xff0c;在法语中&＃xff0c;字母上方有注音符号&＃xff0c;它就无法用ASCII码表示。于是&＃xff0c;一些欧洲国家就决定&＃xff0c;利用字节中闲置的最高位编入新的符号。比如&＃xff0c;法语中的é的编码为130&＃xff08;二进制10000010&＃xff09;。这样一来&＃xff0c;这些欧洲国家使用的编码体系&＃xff0c;可以表示最多256个符号。

但是&＃xff0c;这里又出现了新的问题。不同的国家有不同的字母&＃xff0c;因此&＃xff0c;哪怕它们都使用256个符号的编码方式&＃xff0c;代表的字母却不一样。比如&＃xff0c;130在法语编码中代表了é&＃xff0c;在希伯来语编码中却代表了字母Gimel (ג)&＃xff0c;在俄语编码中又会代表另一个符号。但是不管怎样&＃xff0c;所有这些编码方式中&＃xff0c;0--127表示的符号是一样的&＃xff0c;不一样的只是128--255的这一段。

至于亚洲国家的文字&＃xff0c;使用的符号就更多了&＃xff0c;汉字就多达10万左右。一个字节只能表示256种符号&＃xff0c;肯定是不够的&＃xff0c;就必须使用多个字节表达一个符号。比如&＃xff0c;简体中文常见的编码方式是GB2312&＃xff0c;使用两个字节表示一个汉字&＃xff0c;所以理论上最多可以表示256x256&＃61;65536个符号。

中文编码的问题需要专文讨论&＃xff0c;这篇笔记不涉及。这里只指出&＃xff0c;虽然都是用多个字节表示一个符号&＃xff0c;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

正如上一节所说&＃xff0c;世界上存在着多种编码方式&＃xff0c;同一个二进制数字可以被解释成不同的符号。因此&＃xff0c;要想打开一个文本文件&＃xff0c;就必须知道它的编码方式&＃xff0c;否则用错误的编码方式解读&＃xff0c;就会出现乱码。为什么电子邮件常常出现乱码&＃xff1f;就是因为发信人和收信人使用的编码方式不一样。

可以想象&＃xff0c;如果有一种编码&＃xff0c;将世界上所有的符号都纳入其中。每一个符号都给予一个独一无二的编码&＃xff0c;那么乱码问题就会消失。这就是Unicode&＃xff0c;就像它的名字都表示的&＃xff0c;这是一种所有符号的编码。

Unicode当然是一个很大的集合&＃xff0c;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&＃xff0c;比如&＃xff0c;U&＃43;0639表示阿拉伯字母Ain&＃xff0c;U&＃43;0041表示英语的大写字母A&＃xff0c;U&＃43;4E25表示汉字"严"。具体的符号对应表&＃xff0c;可以查询unicode.org&＃xff0c;或者专门的汉字对应表。

4. Unicode的问题

需要注意的是&＃xff0c;Unicode只是一个符号集&＃xff0c;它只规定了符号的二进制代码&＃xff0c;却没有规定这个二进制代码应该如何存储。

比如&＃xff0c;汉字"严"的unicode是十六进制数4E25&＃xff0c;转换成二进制数足足有15位&＃xff08;100111000100101&＃xff09;&＃xff0c;也就是说这个符号的表示至少需要2个字节。表示其他更大的符号&＃xff0c;可能需要3个字节或者4个字节&＃xff0c;甚至更多。

这里就有两个严重的问题&＃xff0c;第一个问题是&＃xff0c;如何才能区别Unicode和ASCII&＃xff1f;计算机怎么知道三个字节表示一个符号&＃xff0c;而不是分别表示三个符号呢&＃xff1f;第二个问题是&＃xff0c;我们已经知道&＃xff0c;英文字母只用一个字节表示就够了&＃xff0c;如果Unicode统一规定&＃xff0c;每个符号用三个或四个字节表示&＃xff0c;那么每个英文字母前都必然有二到三个字节是0&＃xff0c;这对于存储来说是极大的浪费&＃xff0c;文本文件的大小会因此大出二三倍&＃xff0c;这是无法接受的。

它们造成的结果是&＃xff1a;1&＃xff09;出现了Unicode的多种存储方式&＃xff0c;也就是说有许多种不同的二进制格式&＃xff0c;可以用来表示Unicode。2&＃xff09;Unicode在很长一段时间内无法推广&＃xff0c;直到互联网的出现。

5.UTF-8

互联网的普及&＃xff0c;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&＃xff08;字符用两个字节或四个字节表示&＃xff09;和UTF-32&＃xff08;字符用四个字节表示&＃xff09;&＃xff0c;不过在互联网上基本不用。重复一遍&＃xff0c;这里的关系是&＃xff0c;UTF-8是Unicode的实现方式之一。

UTF-8最大的一个特点&＃xff0c;就是它是一种变长的编码方式。它可以使用1~4个字节表示一个符号&＃xff0c;根据不同的符号而变化字节长度。

UTF-8的编码规则很简单&＃xff0c;只有二条&＃xff1a;

1&＃xff09;对于单字节的符号&＃xff0c;字节的第一位设为0&＃xff0c;后面7位为这个符号的unicode码。因此对于英语字母&＃xff0c;UTF-8编码和ASCII码是相同的。

2&＃xff09;对于n字节的符号&＃xff08;n>1&＃xff09;&＃xff0c;第一个字节的前n位都设为1&＃xff0c;第n&＃43;1位设为0&＃xff0c;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&＃xff0c;全部为这个符号的unicode码。

下表总结了编码规则&＃xff0c;字母x表示可用编码的位。

Unicode符号范围 | UTF-8编码方式
(十六进制) | &＃xff08;二进制&＃xff09;
--------------------&＃43;---------------------------------------------
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&＃xff0c;还是以汉字"严"为例&＃xff0c;演示如何实现UTF-8编码。

已知"严"的unicode是4E25&＃xff08;100111000100101&＃xff09;&＃xff0c;根据上表&＃xff0c;可以发现4E25处在第三行的范围内&＃xff08;0000 0800-0000 FFFF&＃xff09;&＃xff0c;因此"严"的UTF-8编码需要三个字节&＃xff0c;即格式是"1110xxxx 10xxxxxx 10xxxxxx"。然后&＃xff0c;从"严"的最后一个二进制位开始&＃xff0c;依次从后向前填入格式中的x&＃xff0c;多出的位补0。这样就得到了&＃xff0c;"严"的UTF-8编码是"11100100 10111000 10100101"&＃xff0c;转换成十六进制就是E4B8A5。

6. Unicode与UTF-8之间的转换

通过上一节的例子&＃xff0c;可以看到"严"的Unicode码是4E25&＃xff0c;UTF-8编码是E4B8A5&＃xff0c;两者是不一样的。它们之间的转换可以通过程序实现。

在Windows平台下&＃xff0c;有一个最简单的转化方法&＃xff0c;就是使用内置的记事本小程序Notepad.exe。打开文件后&＃xff0c;点击"文件"菜单中的"另存为"命令&＃xff0c;会跳出一个对话框&＃xff0c;在最底部有一个"编码"的下拉条。

里面有四个选项&＃xff1a;ANSI&＃xff0c;Unicode&＃xff0c;Unicode big endian 和 UTF-8。

1&＃xff09;ANSI是默认的编码方式。对于英文文件是ASCII编码&＃xff0c;对于简体中文文件是GB2312编码&＃xff08;只针对Windows简体中文版&＃xff0c;如果是繁体中文版会采用Big5码&＃xff09;。

2&＃xff09;Unicode编码指的是UCS-2编码方式&＃xff0c;即直接用两个字节存入字符的Unicode码。这个选项用的little endian格式。

3&＃xff09;Unicode big endian编码与上一个选项相对应。我在下一节会解释little endian和big endian的涵义。

4&＃xff09;UTF-8编码&＃xff0c;也就是上一节谈到的编码方法。

选择完"编码方式"后&＃xff0c;点击"保存"按钮&＃xff0c;文件的编码方式就立刻转换好了。

7. Little endian和Big endian

上一节已经提到&＃xff0c;Unicode码可以采用UCS-2格式直接存储。以汉字"严"为例&＃xff0c;Unicode码是4E25&＃xff0c;需要用两个字节存储&＃xff0c;一个字节是4E&＃xff0c;另一个字节是25。存储的时候&＃xff0c;4E在前&＃xff0c;25在后&＃xff0c;就是Big endian方式&＃xff1b;25在前&＃xff0c;4E在后&＃xff0c;就是Little endian方式。

这两个古怪的名称来自英国作家斯威夫特的《格列佛游记》。在该书中&＃xff0c;小人国里爆发了内战&＃xff0c;战争起因是人们争论&＃xff0c;吃鸡蛋时究竟是从大头(Big-Endian)敲开还是从小头(Little-Endian)敲开。为了这件事情&＃xff0c;前后爆发了六次战争&＃xff0c;一个皇帝送了命&＃xff0c;另一个皇帝丢了王位。

因此&＃xff0c;第一个字节在前&＃xff0c;就是"大头方式"&＃xff08;Big endian&＃xff09;&＃xff0c;第二个字节在前就是"小头方式"&＃xff08;Little endian&＃xff09;。

那么很自然的&＃xff0c;就会出现一个问题&＃xff1a;计算机怎么知道某一个文件到底采用哪一种方式编码&＃xff1f;

Unicode规范中定义&＃xff0c;每一个文件的最前面分别加入一个表示编码顺序的字符&＃xff0c;这个字符的名字叫做"零宽度非换行空格"&＃xff08;ZERO WIDTH NO-BREAK SPACE&＃xff09;&＃xff0c;用FEFF表示。这正好是两个字节&＃xff0c;而且FF比FE大1。

如果一个文本文件的头两个字节是FE FF&＃xff0c;就表示该文件采用大头方式&＃xff1b;如果头两个字节是FF FE&＃xff0c;就表示该文件采用小头方式。

8. 实例

下面&＃xff0c;举一个实例。

打开"记事本"程序Notepad.exe&＃xff0c;新建一个文本文件&＃xff0c;内容就是一个"严"字&＃xff0c;依次采用ANSI&＃xff0c;Unicode&＃xff0c;Unicode big endian 和 UTF-8编码方式保存。

然后&＃xff0c;用文本编辑软件UltraEdit中的"十六进制功能"&＃xff0c;观察该文件的内部编码方式。

1&＃xff09;ANSI&＃xff1a;文件的编码就是两个字节"D1 CF"&＃xff0c;这正是"严"的GB2312编码&＃xff0c;这也暗示GB2312是采用大头方式存储的。

2&＃xff09;Unicode&＃xff1a;编码是四个字节"FF FE 25 4E"&＃xff0c;其中"FF FE"表明是小头方式存储&＃xff0c;真正的编码是4E25。

3&＃xff09;Unicode big endian&＃xff1a;编码是四个字节"FE FF 4E 25"&＃xff0c;其中"FE FF"表明是大头方式存储。

4&＃xff09;UTF-8&＃xff1a;编码是六个字节"EF BB BF E4 B8 A5"&＃xff0c;前三个字节"EF BB BF"表示这是UTF-8编码&＃xff0c;后三个"E4B8A5"就是"严"的具体编码&＃xff0c;它的存储顺序与编码顺序是一致的。

9. 延伸阅读

* The Absolute Minimum Every Software Developer Absolutely, Positively Must Know About Unicode and Character Sets&＃xff08;关于字符集的最基本知识&＃xff09;

* 谈谈Unicode编码

* RFC3629&＃xff1a;UTF-8, a transformation format of ISO 10646&＃xff08;如果实现UTF-8的规定&＃xff09;

&＃xff08;完&＃xff09;

文档信息

• 版权声明&＃xff1a;自由转载-非商用-非衍生-保持署名 | Creative Commons BY-NC-ND 3.0
• 原文网址&＃xff1a;http://www.ruanyifeng.com/blog/2007/10/ascii_unicode_and_utf-8.html
• 最后修改时间&＃xff1a;2013年9月 4日 09:29