我有在反省,但我不后悔。 收藏本站
登陆 / 注册 搜索

阅读: 2.2K   回复: 2

[# 系统基础] ASCII Unicode 和 UTF-8这些之间的关系

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
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* i1 s9 P) c; {5 X! e& m

- g% ^1 |% Y; z这个问题比我想象的复杂,看了一下午,才算初步搞清楚。( N% E5 |& p5 Z- k$ G
" B7 u. P9 U* Z
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。4 v2 a7 J9 a: n7 b9 N

' V. `6 r$ m. |4 x, v( _/ T  _一、ASCII 码
# r$ P3 X3 F- Q- N
# ~% Z- G6 r3 S6 p/ ?  \  M$ T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。
2 j! h' O$ d$ D3 f$ k9 f
7 O- U. p6 C6 G- i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。- T6 O0 M+ T! k1 @& z, {

+ T5 T* R6 I7 f: a# y' b5 q, T) ^( R, wASCII 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。9 _- v$ A/ }) O- a0 S9 T
: U6 q: d; C$ W, }  P: N) E, @; X
二、非 ASCII 编码3 [' ], G* U/ V' J
1 s' _0 T. a5 }0 b' P1 {
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。
5 E, \. Q8 m3 b6 f4 ]6 ?5 R3 \" V9 t# U% S# ]: B
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。
. P6 c5 E' L7 t2 @" U: P7 Y
# ]) B9 g; ]) R+ V: e1 l# ?! d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。
# O0 {& C) i" L- B/ ?6 e5 z) j8 P. A0 g  k" A" P: I2 ^  [% j
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。' b/ E$ v; K& j$ N' m

/ M8 X- I6 k% P: o三. Unicode& [/ A7 J; Y- f  q8 g

, o* h6 H. `, e) G* K- t7 Y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。
: T4 y+ z( Z$ x* ~
! l- _) `* X* [% e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。( M6 @5 h9 @: t8 ?2 }

9 ]9 O5 [0 J& a3 j3 [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。; z5 d: W" q* J7 i; Y/ `

( }) b' ~; B; Z( ~8 n四、Unicode 的问题
1 k1 u- k+ q( J( m2 `$ B9 @
4 P( b5 j0 |0 U7 e( D0 L' V1 Y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。$ e& p4 Z  E# {! k

3 K# N& W3 a* {/ }4 l7 d5 X, C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。* y6 l0 v& ~/ g' Q! J5 I
7 U: g( S2 G. e$ F
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。4 m0 n, P8 e9 Q+ s8 W
: P2 [" }# W, V; h* z; ]5 X( B
它们造成的结果是:0 k, g  }$ m: \2 [& V  w

$ _+ Q! U  P$ x1.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。
% K& K# `4 M, S' [$ D2.Unicode 在很长一段时间内无法推广,直到互联网的出现。
2 \5 v! ^8 A1 H  W6 w' B/ @4 v1 N: o- Z6 l
五、UTF-8. w# }# z8 _% A. s% l! ^, `

/ }7 w5 q4 p# ^% M2 r. e0 r+ 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。! m3 W" O! k4 {
7 l. q8 m% C# V2 F* p- M, M3 X
UTF-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。7 T4 j! p9 o5 y3 I/ m( P
/ X- O# ~1 {! e
UTF-8 的编码规则很简单,只有二条:
1 o4 O; a; u1 ~7 r7 o4 X' l3 t0 e
# ^# B# L" I/ y. ?0 ?2 [  S" T1.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。
4 v5 g, a& G4 y9 |! C
2 U) r. H6 N( o" o, C+ e5 {2.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。; K; v5 I/ ^7 f" t# }
) @% T' w- J: M2 ?$ X, D8 Z: y' G
下表总结了编码规则,字母x表示可用编码的位。
' E+ C7 g) O: o, `" e% F. W- J0 P, t
  1. Unicode符号范围     |        UTF-8编码方式5 P( X2 r/ ^# ~- v# [) f$ c
  2. (十六进制)                |              (二进制)) b) h: y5 F$ }! `  s. z- t9 Y+ U
  3. ----------------------+---------------------------------------------/ f; `' [5 m6 t. t! ~2 A) U
  4. 0000 0000-0000 007F | 0xxxxxxx  I$ D: p+ p8 K3 S3 I+ E
  5. 0000 0080-0000 07FF | 110xxxxx 10xxxxxx( y7 C* J& Q& N# S/ U  U
  6. 0000 0800-0000 FFFF | 1110xxxx 10xxxxxx 10xxxxxx1 b( F7 G) l- T1 ~5 q6 x; j
  7. 0001 0000-0010 FFFF | 11110xxx 10xxxxxx 10xxxxxx 10xxxxxx
复制代码
/ b# n% ?7 W8 @, f  h' T8 z- j' L3 J- i
' A( g' K7 o, [, S. n7 b
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 G" {0 S9 O% `) m1 ?+ ^2 X
! m! H$ s. x: z! f7 w! {下面,还是以汉字严为例,演示如何实现 UTF-8 编码。
! B- w5 K4 X6 p9 B" p* Y  c* l# a; G5 e1 b
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。
2 w. H2 }* e. i) M2 E) }. b3 w# r- P1 h- A# D7 y( ~. u
六、Unicode 与 UTF-8 之间的转换
. v5 M) ?3 y" i' ?# D- w
" k  F" k; R  ^' G- D% R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。
3 M- _/ d" f: o. s; T1 e4 v, U7 l. ?
' G9 `6 A- B/ ~( W' ]- ?" jWindows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。: a6 m& |" |. h/ ]$ E; f" [
ASCII Unicode 和 UTF-8这些之间的关系 2.png
- z  Q% A" S3 M
里面有四个选项:ANSI,Unicode,Unicode big endian和UTF-8。
8 l' a" }, H1 p
; A; q# N$ I9 G' x8 f1.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)。
& Y: W' `6 p' `% @0 M+ @0 [
( n* e6 p* j' X& j$ v0 f* _" A2.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。/ e5 E% k0 h' \  Q% i

0 g' h! {9 W* o( k" m3.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。
& n8 M" \6 j3 \, J
- B- D2 \: @  P+ K  B  X4.UTF-8编码,也就是上一节谈到的编码方法。& e4 b: d+ \1 L0 D7 x; a
  t& D: X# m) L8 b
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。& T: _% K2 R4 @2 Z# U2 A
  F& }+ x$ }! h3 b6 ]
七、Little endian 和 Big endian4 U" @+ y. `' l6 W

  Q. X* a4 [* e8 e- r3 h, ?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。. u% F6 l& j2 P' H+ s0 ~

: T0 q  P  D; D. ]7 B7 k: ?2 K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。
: g, g$ q% a8 `4 w/ Q1 N( P
4 A7 j/ u: O( x- ]) k9 }% ?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)。
+ z5 x& y1 U. F" O# p4 g7 f3 f3 B# @  j4 w. x+ |7 ^
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?
, o! r) a( O" Z) y, A. t% D# Q/ J  ~
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。
9 M; L7 }5 ^( f# i; D$ T4 p7 K3 X
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。: ]9 u* v% F! P1 X* ]; g

; E3 |7 [2 A2 l3 J八、实例% u: J6 y3 ?7 u- v: s

; N# r* Z2 v# b  L3 P" j( V下面,举一个实例。8 K. }+ M, Q( x  ~3 j. V$ y
1 f1 r* E0 a5 `. p+ Q# a" f; q0 ]
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。
% k/ j; @; ^3 F4 ^( n# T6 {8 J
* @: v3 G1 d+ F3 a/ V4 ^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。4 ^  V2 e& ]% G8 U8 B

' y0 i: G& ]: q+ g) W+ d1. 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。
- T6 `; p# z1 E: {& Y
! Y7 H! J" v% h  f  E& o3 `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。
. z3 r: f& t- E3 h6 q1 n+ ^9 M3 W
$ H5 S6 l1 n$ d3 ]3. 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。* |" A$ N$ V6 p) |% `5 S' v

' X, X8 F* U8 H2 o1 e1 U4. 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。& r, o% w' s' e3 h
上一篇
下一篇


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

关于本站|大事记|小黑屋|古黑论 网站统计

GMT+8, 2021-10-20 05:08 , Processed in 0.024881 second(s), 19 queries , Redis On.

© 2015-2021 GuHei.Net

Powered by Discuz! X3.4

快速回复 返回列表