有光的地方必有影,有影的地方也必定有光,绝望的颜色越是浓重,一定会有光芒耀眼的希望。 收藏本站
登陆 / 注册 搜索

阅读: 3K   回复: 2

[# 系统基础] ASCII Unicode 和 UTF-8这些之间的关系

[复制链接]
空谷幽兰 踏破虚空 2019-12-12 17:30 |显示全部楼层

从前车马很慢,书信很远,一生只够爱一个人,但是可以纳很多妾啊!

精华达人 主题破百 以坛为家 论坛元老 土豪会员 五周年纪念
今天,我突然想搞清楚字符编码 Unicode 和 UTF-8 之间的关系,就开始查资料。+ Q$ e; m3 g2 G5 h& J

+ a$ H0 B4 p) B这个问题比我想象的复杂,看了一下午,才算初步搞清楚。
8 c: u6 u  j/ {, V
. |" J5 T1 c& M# [5 v* \5 v# x  W5 u下面就是我的笔记,主要用来整理自己的思路。我尽量写得通俗易懂,希望能对其他朋友有用。毕竟,字符编码是计算机技术的基石,想要熟练使用计算机,就必须懂得一点字符编码的知识。5 |( a: m3 E9 B7 e# f# ?3 C
1 k0 \5 R+ ?2 h; X3 h& Z% @6 o0 P
一、ASCII 码
6 z, b/ W0 {4 S) M6 V3 \4 x! Y4 H4 W4 a" v; }
我们知道,计算机内部,所有信息最终都是一个二进制值。每一个二进制位(bit)有01两种状态,因此八个二进制位就可以组合出256种状态,这被称为一个字节(byte)。也就是说,一个字节一共可以用来表示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。. z0 j2 f( P/ X3 R+ f' q/ Q6 x( {
8 e' T5 k1 K( Y" }
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位之间的关系,做了统一规定。这被称为 ASCII 码,一直沿用至今。
4 a+ l) W; n1 _: {+ W  n& j9 H- Y
ASCII 码一共规定了128个字符的编码,比如空格SPACE是32(二进制00100000),大写的字母A是65(二进制01000001)。这128个符号(包括32个不能打印出来的控制符号),只占用了一个字节的后面7位,最前面的一位统一规定为0。
' V6 R4 ~% K4 ?6 `; v2 r' o$ ~' t: u
二、非 ASCII 编码& ~7 \3 a3 j6 \$ l/ D0 d/ r
# F- |- j/ @# }
英语用128个符号编码就够了,但是用来表示其他语言,128个符号是不够的。比如,在法语中,字母上方有注音符号,它就无法用 ASCII 码表示。于是,一些欧洲国家就决定,利用字节中闲置的最高位编入新的符号。比如,法语中的é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。( _6 p9 Z* r& P8 q$ @
) d0 p% c1 y) p7 A% N& U) o% I
但是,这里又出现了新的问题。不同的国家有不同的字母,因此,哪怕它们都使用256个符号的编码方式,代表的字母却不一样。比如,130在法语编码中代表了é,在希伯来语编码中却代表了字母Gimel (ג),在俄语编码中又会代表另一个符号。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。
4 ?4 P& E! G& o" [4 ]! _
' F5 z/ k0 X0 K: X至于亚洲国家的文字,使用的符号就更多了,汉字就多达10万左右。一个字节只能表示256种符号,肯定是不够的,就必须使用多个字节表达一个符号。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,所以理论上最多可以表示 256 x 256 = 65536 个符号。
: I' Z9 }. [. Q, @7 _5 L# W* k: J# x- P) k7 G* C+ p7 {& @# ]
中文编码的问题需要专文讨论,这篇笔记不涉及。这里只指出,虽然都是用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。0 ?2 x* S8 a0 D8 \* J
# B6 k, Y4 Y+ r* y$ M5 ~
三. Unicode
2 z( e' j- V( A& y3 z6 E
9 N! R5 K5 z  w9 Z) N  ~3 a正如上一节所说,世界上存在着多种编码方式,同一个二进制数字可以被解释成不同的符号。因此,要想打开一个文本文件,就必须知道它的编码方式,否则用错误的编码方式解读,就会出现乱码。为什么电子邮件常常出现乱码?就是因为发信人和收信人使用的编码方式不一样。) d; p6 A  p4 u4 h2 T

3 ^4 P- S' E+ C$ {( p! O. ]5 u6 M; z1 y可以想象,如果有一种编码,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,那么乱码问题就会消失。这就是 Unicode,就像它的名字都表示的,这是一种所有符号的编码。& H% O) f& Z; Y: `0 c! T

+ Z$ v) s7 @* v- _9 j/ U9 EUnicode 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。) D  U  G- N3 Q1 W2 R3 P
- w4 h; n/ n  X& b$ z
四、Unicode 的问题
: Z, B# J- h9 A0 ^6 K: F' r) ?: h5 U' z
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应该如何存储。0 [; O* m0 ?+ d, S. p9 C3 \4 i* Y

1 G) _6 z+ e! |. u$ U8 e8 i比如,汉字严的 Unicode 是十六进制数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2个字节。表示其他更大的符号,可能需要3个字节或者4个字节,甚至更多。) A6 W2 F, O5 ]+ x1 E2 y
1 M. D& @# k. r. }& t! F3 W, J( _
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,每个符号用三个或四个字节表示,那么每个英文字母前都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二三倍,这是无法接受的。
3 G5 O* U0 k  f* V$ q$ e$ J5 m, O9 g, }/ j) ^/ u
它们造成的结果是:/ x. n5 u/ R" z% T- }/ G" T, J

; |# ~4 |: ]* n; l2 B8 a- o- f1.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。) V! S0 \9 g  C9 c
2.Unicode 在很长一段时间内无法推广,直到互联网的出现。
9 M' F3 Q! u& ]$ Q1 m* g. c. p
  Y7 r" r; l" t: A6 E6 v. h五、UTF-8% M. U; c- N0 Y0 o; Y

. m' h5 T  k  V9 P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(字符用两个字节或四个字节表示)和 UTF-32(字符用四个字节表示),不过在互联网上基本不用。重复一遍,这里的关系是,UTF-8 是 Unicode 的实现方式之一。
6 m* e+ ^, {0 i
  H* P1 O# q: e" W' R+ `+ q* yUTF-8 最大的一个特点,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,根据不同的符号而变化字节长度。
3 P* {9 K0 C6 j4 ~8 e- u- j- U) e& a! N& U; K: J0 S7 A
UTF-8 的编码规则很简单,只有二条:& m" C) |) c5 Y9 O, t% r% S

& }1 o) w1 r! o+ I1 U3 g1.对于单字节的符号,字节的第一位设为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。
/ m8 Z" d7 Q+ Z' h. d
$ K# O4 T6 N5 }( q2.对于n字节的符号(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。; {) I# i4 k% d0 R% X& C. u* B

" [- R; d: z# t! I. ^下表总结了编码规则,字母x表示可用编码的位。
' M5 R2 ^0 }) G: V! t4 y" d
. [7 p  I1 Y- J' m  A( o( A& Q
  1. Unicode符号范围     |        UTF-8编码方式  r* `! E/ K( @! b0 F0 S
  2. (十六进制)                |              (二进制)3 B5 M9 Z5 S9 }3 u
  3. ----------------------+---------------------------------------------% o& i* f! }# T
  4. 0000 0000-0000 007F | 0xxxxxxx
    1 n5 ?% l8 v  w2 u, S$ j6 Z
  5. 0000 0080-0000 07FF | 110xxxxx 10xxxxxx' \1 g/ S% y6 Z( I- G4 L1 X9 a
  6. 0000 0800-0000 FFFF | 1110xxxx 10xxxxxx 10xxxxxx
    , J# N0 @% J0 h1 o
  7. 0001 0000-0010 FFFF | 11110xxx 10xxxxxx 10xxxxxx 10xxxxxx
复制代码
9 ]0 u+ j2 H9 T! g
: y+ L$ m& h: z4 f
跟据上表,解读 UTF-8 编码非常简单。如果一个字节的第一位是0,则这个字节单独就是一个字符;如果第一位是1,则连续有多少个1,就表示当前字符占用多少个字节。
7 d; X) v, x+ f. \; z
3 Z2 b9 y( ]$ j( q' O) @下面,还是以汉字严为例,演示如何实现 UTF-8 编码。
( d4 A, `2 f6 i* H$ l  }  P3 g: C% h1 }: i5 y2 [! [3 }
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,即格式是1110xxxx 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,转换成十六进制就是E4B8A5。% X% K; b4 {1 \% D3 v1 f

* i0 _( X7 j5 l) j  ]" L六、Unicode 与 UTF-8 之间的转换  E' M; s: M* l
) B  b; V8 B; b6 n
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。它们之间的转换可以通过程序实现。
7 I& U% Z( ?0 @( M5 y4 f# E7 O2 ^1 `0 D/ R1 g9 N
Windows平台,有一个最简单的转化方法,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。) z" W2 d1 ^2 p3 E6 l& l2 Z& V
ASCII Unicode 和 UTF-8这些之间的关系 2.png

' ]  N) S7 W4 ^7 Y# l$ D; j里面有四个选项:ANSI,Unicode,Unicode big endian和UTF-8。6 j) o+ H9 S% x  r) w9 T

) {* O3 l8 E9 N$ {# a1.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,如果是繁体中文版会采用 Big5 码)。. }" S% K0 T( a9 f1 z( N# ]8 j
/ ?' e5 j- H" f
2.Unicode编码这里指的是notepad.exe使用的 UCS-2 编码方式,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。
4 Y# r7 h4 S% P& v- ?1 w
, C3 p( d! \% H' r; V3 ~3.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。; w- \8 D, B. K
; U! N& N2 n6 C
4.UTF-8编码,也就是上一节谈到的编码方法。
& K, {' Q, O5 |
- a: J' m# Y3 A9 o2 i) A: L+ T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。1 j! s8 G! C0 H. Q

5 z6 _+ R* f" L8 H- S七、Little endian 和 Big endian* g( u* C4 W& ?, ]! K* R) C8 ~: j

9 ]3 k# C5 h3 i, n上一节已经提到,UCS-2 格式可以存储 Unicode 码(码点不超过0xFFFF)。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,这就是 Big endian 方式;25在前,4E在后,这是 Little endian 方式。- |5 y' {0 I6 ]8 y

: [+ b. v3 i3 d2 Q0 L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,小人国里爆发了内战,战争起因是人们争论,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,前后爆发了六次战争,一个皇帝送了命,另一个皇帝丢了王位。
  u, _  C6 r9 m8 ?! X# {9 U# f
8 v# E/ D$ i( x# |/ k! \第一个字节在前,就是"大头方式"(Big endian),第二个字节在前就是"小头方式"(Little endian)。' t* O. t3 k6 K9 l

" _9 F3 c, ?1 c: ~1 V' O* I& ^那么很自然的,就会出现一个问题:计算机怎么知道某一个文件到底采用哪一种方式编码?
& _2 |# C$ T0 w% Y# L, H# @1 z' J9 H
Unicode 规范定义,每一个文件的最前面分别加入一个表示编码顺序的字符,这个字符的名字叫做"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。8 g) f4 k" w$ _6 Z

' D4 Y, u9 [6 z( |" B) T' F如果一个文本文件的头两个字节是FE FF,就表示该文件采用大头方式;如果头两个字节是FF FE,就表示该文件采用小头方式。
. z" W1 I+ S  t% p6 ^2 s: m( o  ?: F9 ?1 K- `* {2 Y0 E3 `4 A' D
八、实例  n# T: `- E; B8 X

4 M5 F; k% O7 ^* _; d下面,举一个实例。
1 v+ t" v% n' v0 r0 l! a! m2 ]+ K/ l3 g" K6 D! D+ B) Y) Z
打开"记事本"程序notepad.exe,新建一个文本文件,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。
2 m8 D5 g* o, Y$ I6 s1 h
: i+ t% l% F: c* W2 v然后,用文本编辑软件UltraEdit 中的"十六进制功能",观察该文件的内部编码方式。' U$ x0 y$ O" `+ g8 ]' n) a/ }
- _7 }% |3 y6 g/ Y1 o/ D
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。
& f* [8 O% Q! T- [- h; s
7 ^6 l3 i( a6 r; m  w2. 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。+ P+ ~! d/ s7 u3 Q0 O9 M

( |7 o& F' b7 x0 x( h+ P$ N3. Unicode big endian:编码是四个字节FE FF 4E 25,其中FE FF表明是大头方式存储。2 d( L# Z5 k1 ~/ K& Z2 K
1 f2 [) n& ?) ?7 ^3 c
4. UTF-8:编码是六个字节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,它的存储顺序与编码顺序是一致的。
+ ^# o- v% \' B% `0 }4 M2 q
上一篇
下一篇
帖子热度 3054 ℃

luzupeng34 「初入古黑」 2019-12-12 17:30 |显示全部楼层

这个用户很懒,还没有填写自我介绍呢~

火钳刘明
心微凉 「龙战于野」 2020-1-12 10:43 |显示全部楼层

那个费劲心思逗你笑的人,终究比不上你一见面就开心的人。

赞啊,终于解开我多年的疑惑
您需要登录后才可以回帖 登录 | 免费注册  

本版积分规则

快速回复 返回列表