只是,想要做些什么而已。 觉得不做些什么就会死掉而已。 收藏本站
登陆 / 注册 搜索

阅读: 500   回复: 2

[# 系统基础] ASCII Unicode 和 UTF-8这些之间的关系

回复 发新帖
空谷幽兰仗剑天涯 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
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。9 C0 }; B0 m# V) ?  G: W( }

  V, W* |2 Z( y+ i- Q. |: S这个问题比我想象的复杂,看了一下午,才算初步搞清楚。1 \0 F- a# j4 q/ |) ?7 v( C( H5 E

5 F& f+ v2 ?. _4 F6 j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。( L# s" g/ d  i7 M2 K2 f3 j$ J
% ~. s0 [2 Y% w4 ^; D& G$ U( I5 M- D
一、ASCII 码8 x3 I/ A! p6 @5 c1 A! N
$ d+ P: H( |: p3 q3 U% A4 s/ I
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 `8 g" }9 M% b- Q5 h# ]
! w3 s3 d5 k* F$ V' [
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。: R3 }5 U/ F' x: _9 I; e7 R3 E

9 Q( C9 Y) H( H" }* JASCII 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。4 L/ N+ }' u* w( \/ @% @
5 n' _: M6 Z& T7 b% E3 @
二、非 ASCII 编码0 X7 E$ v! b9 E' U. \/ _

5 M& N4 X) a4 n; s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 a4 g$ U6 t) y  e$ T
. ]( C$ @  f5 V
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。& Z( [& ^6 Z6 g4 o0 J6 U

  F" i) e' p& E) E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。
+ T+ A7 F7 T* }7 z+ y' Z! i* R7 K4 p, E# t6 n. Q
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。# k1 ?0 R7 N$ Y! x

" a; n5 a% d, K+ T6 q) @8 i2 [三. Unicode
; p; W, `. L! h2 b5 A
* L# t* z+ Z5 u8 m' {# K) ^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。( T7 R% W" C5 H- `9 F

- J7 h0 g/ c" x. w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。
, A9 o9 o) c. b0 x4 f" t8 n% W7 _9 O0 p! E: q$ L, W0 v
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。4 e' `5 K2 m4 ?7 z9 _& j& p
$ ^+ T' I8 Z; a. M7 W4 _% x! I+ s& J
四、Unicode 的问题
! \9 Z8 \2 c. s8 P' @1 [' f  Z% V4 n% g) w9 [5 [/ j
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。
% R! t/ H; r6 `7 M- P1 f- C3 s6 O" l* I: E! ]. ?. r+ Y/ N' P
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。
- O4 i6 Q( r; X7 J" L6 T. X7 h* Q  V% u6 @1 H: l
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。. K7 h2 m# }$ w  `/ w: d
$ R0 O+ L2 \0 u/ K  Q
它们造成的结果是:
" X; r' S5 w/ O: ~: w$ `3 Y& ^% ~& J8 j: f3 C
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。
' r; S& @- E) E9 {4 V$ w5 ]2.Unicode 在很长一段时间内无法推广,直到互联网的出现。' {0 A4 r8 `: O( o0 ], S
1 g1 C2 h, I; L- C! m' Z
五、UTF-8
0 P# h. H9 H  b3 S; K5 H- w2 `0 g7 a1 z2 Q6 f
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。+ {) W. |% P2 h# _% M

' B+ Q( z% O+ [' LUTF-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。
% g/ a: w: m. L/ l$ h7 J
1 E* Q, h- f5 }4 G- l0 O5 |' g: U* dUTF-8 的编码规则很简单,只有二条:/ s3 q3 Q5 A8 b5 |  G( Z

& }& D$ d" v3 d" ?: e8 q1.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。
# v0 J* Q# ^% ~+ N+ |' L( R. N
! U0 t! \3 x/ J2.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。
) |3 p5 ?, U) s% J
4 j6 W$ |% ^% J, C4 Y: o下表总结了编码规则,字母x表示可用编码的位。
, }, V+ h, S5 `$ {# y! ^& \  F
6 s2 b/ F- u! f' i0 p
  1. Unicode符号范围     |        UTF-8编码方式
    # X2 {" b- V- N% X# f
  2. (十六进制)                |              (二进制)( b* G* d" |( p! m, M) b8 o9 C
  3. ----------------------+---------------------------------------------
    ) j6 s6 y4 p8 y
  4. 0000 0000-0000 007F | 0xxxxxxx
    2 i- M6 T- q# J/ J
  5. 0000 0080-0000 07FF | 110xxxxx 10xxxxxx6 {" d" c5 a# M
  6. 0000 0800-0000 FFFF | 1110xxxx 10xxxxxx 10xxxxxx& C5 o5 w' L+ y3 p; P
  7. 0001 0000-0010 FFFF | 11110xxx 10xxxxxx 10xxxxxx 10xxxxxx
复制代码
7 [& L- ]+ [4 X# u
# J9 y) ?9 W% q2 T9 x5 u- f' F6 ~
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。
/ Q. U- f7 b+ E0 Z
# {- p! l: u. \* ]/ Q! w  q下面,还是以汉字严为例,演示如何实现 UTF-8 编码。/ Z1 l2 T0 c, A* E/ A- b3 Y4 ^

6 X3 G1 |" [5 i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。
- b2 b( F5 ]) J) _2 G5 u( a' j
8 l4 @, b5 {( c0 B$ D2 p, _六、Unicode 与 UTF-8 之间的转换1 y% P! k) p; j( E( K

! r/ I8 V1 M& W9 ^% b) Y- O3 ^9 S! _2 y# 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。
  m+ \' O9 f8 b
! r7 w: ^2 m: HWindows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。
+ ^2 S* Q# L- d: j
ASCII Unicode 和 UTF-8这些之间的关系 2.png

. g+ D: [; n9 P  w6 R; D+ b里面有四个选项:ANSI,Unicode,Unicode big endian和UTF-8。+ T4 i* ~, T& \9 k4 o7 T$ W
3 z; }" J: u4 p6 K
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,如果是繁体中文版会采用 Big5 码)。
8 @- Z1 n" l. K
1 U6 o+ d( n! S0 W$ z& D6 Z# R3 V2.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。
7 j5 [: L% [5 }. m
& l# N: V; c6 i! f( m' |3 L3 W3.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。+ ]1 b1 d: e+ g$ E

$ r# b  C7 K2 b. K8 z9 ^+ a4.UTF-8编码,也就是上一节谈到的编码方法。
: X. c! I# ^, y2 o* N4 j' f5 c! a  S$ K) `
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。; h0 y& I0 ]7 R: i" i6 q
* S1 D7 x) g. y3 V2 y
七、Little endian 和 Big endian
) R) S; m- w9 a+ K( X; Y( a0 b8 M: U) X# b3 z* U9 s
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。
  b5 r7 S' K/ j9 |
5 g8 q1 A% Z2 Z. t, ^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。
* h6 F8 s. f$ q) y' R
' {1 \( n2 ~, |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)。1 l( j7 d6 t) k4 ]' E  s  Q$ }6 e

9 W8 _( h5 Q/ r6 x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( U2 _* @; _5 T0 d5 a
; k( q' ?. t" w3 f- n3 L
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。( Z; B) D) t- |$ W4 ^4 o# U. \7 T" W

; `6 Q0 S; w/ o; j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。( Q1 B! I+ _( r3 H; {
) q( r- q2 h$ C
八、实例+ j& ]; L: o1 E- L3 _1 j; b3 D- g
6 X7 v0 H7 Q1 i$ ]0 Z1 f! Y
下面,举一个实例。9 S9 b: x0 K' m5 b

4 q% M, q& i) D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。8 F9 b) G/ W' q

. j3 F9 H. T: V2 [; }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。
5 B8 b: D0 O' V, w1 b( z
  K: K! d- Q( ~2 u/ J1. 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。  b, H2 e% j" }. [- W

- ]: H/ [, D1 m6 P: ?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。- x, v! w+ h* y
6 U: @9 ?0 Z9 u; k2 G
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。
& p  M, k* Z5 e7 B- {: C, d; o
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。
; F, i/ Z' Y# k5 Y9 _/ A( H


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 | 注册账号  

本版积分规则

关于本站|小黑屋|古黑论 网站统计

GMT+8, 2020-4-5 10:54 , Processed in 0.041816 second(s), 28 queries , Redis On.

© 2015-2020 GuHei.Net

Powered by Discuz! X3.4

快速回复 返回列表