梦想是否无聊并不是别人来决定的,不管是什么样的梦想,自己拼命努力去追寻才是最重要的。 收藏本站
登陆 / 注册 搜索

查看: 66   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 17:30:15 |显示全部楼层

大多数人都高估了他们一天能做的事情,但低估了他们一年能做的事情。

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。3 r5 T& V3 ~# h3 O" T% p# z- n
! ~; I( N' k' c) l4 }
这个问题比我想象的复杂,看了一下午,才算初步搞清楚。. B& w, q: V6 Q: N. e! e. a
; A( M4 K; I, ]
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。1 @, p0 N; I' c1 J! R7 `/ [% P

8 W) m- E8 ~. o% ?4 ]9 K: u一、ASCII 码
* ~; y6 U/ q: y
! V; W0 k% w3 u  F  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。
! x3 P, ~/ f% o# X5 K! i6 s, }" H% D
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。
3 [1 j) Q4 D5 Z& H, P. ?; I: s4 g
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。
* [6 M/ C& |$ E+ i
: J- J6 }0 L. Q+ n' ^6 f二、非 ASCII 编码
; q+ V' l9 J: z; j  v
- `1 l: _# p( L# c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。. G* B7 {5 x2 s% n1 ~$ D; C% L4 o

7 L- y' H# B3 v( b/ s* i) J2 E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。! ]% A, C! ^' J% `, i- p
9 `9 i; @$ W8 @
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& z- n1 T) ?2 c. R
$ V" ^9 n& D  o5 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。
" Y& {. C& z" h: I* C2 A1 @
7 [/ T9 Q" p& T" J2 G三. Unicode
. R* [) G1 n9 I- l& _
1 ^0 a/ n6 @9 O/ o, P4 s7 B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。
# V  P. s+ b' M( L& a, R6 \) K2 Y4 u8 q* Z6 n1 l4 m8 z
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。- `) m% b+ r' n9 C& Q

2 g8 \+ ?/ L2 L5 c9 W  yUnicode 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。
8 C$ I6 ~; ?9 j3 P# b/ f/ G
$ m& f; y" R0 q( w四、Unicode 的问题
: W% f9 v; j4 I$ ]7 P, f5 G
2 b" Z8 u7 `2 G: b8 B7 A3 a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。
. s  m# ~: |- ~8 Z# @4 Z& g$ G0 i8 u
% s  U5 I0 O* a/ `6 j5 |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。
- L5 A1 k+ s! z" F5 P5 M* \. ~6 K% s0 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。
: k, [0 g' Q: q2 F1 `
# h; \, o( L. U它们造成的结果是:2 D8 U; B8 N4 |  P

! e4 v8 \4 L* C9 \" a! C1.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。
$ `. L$ H  ^! B: Z- E+ J( i2.Unicode 在很长一段时间内无法推广,直到互联网的出现。
2 {0 ^( H2 O" v' @- ~. ~
* U# m4 |8 X# R' w3 ?% _五、UTF-8
% Y1 t& G1 ]# B* ~' ]6 s9 E) U
: L! n" [. a. T. i2 b1 m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。/ P; [( }, ~! b; [
+ i' p) k8 C: ^3 y, n
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。
# X* T( Q( f" g8 N& x) V
4 f; u5 A% m2 E' \UTF-8 的编码规则很简单,只有二条:' p9 R( H2 D+ r

. y1 T; z3 r# z1.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。
: D9 ?1 N0 d. t( ]
- k2 `+ c/ W7 M6 t; J1 F2.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。
4 I8 a4 ^, |& S: O/ e' F
$ ^  S5 V2 N5 X) g2 {- L8 N- d下表总结了编码规则,字母x表示可用编码的位。' ^) Y8 G. `& n5 x! d

8 v* S; p0 {' u$ S$ a6 N
  1. Unicode符号范围     |        UTF-8编码方式2 a0 F% B. Y0 K6 f( Q3 d
  2. (十六进制)                |              (二进制)& R8 o3 @: Y( B
  3. ----------------------+---------------------------------------------
    + h; `" n) G$ u1 q; U- C6 Q$ D
  4. 0000 0000-0000 007F | 0xxxxxxx
    * p8 H% X9 X; _% q
  5. 0000 0080-0000 07FF | 110xxxxx 10xxxxxx: O; w- ~8 X; v8 ~: I: ~9 Y
  6. 0000 0800-0000 FFFF | 1110xxxx 10xxxxxx 10xxxxxx
    ) S  S8 J8 b0 W
  7. 0001 0000-0010 FFFF | 11110xxx 10xxxxxx 10xxxxxx 10xxxxxx
复制代码
3 G3 D2 j- c$ r9 Y
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。
: ?% g! ?- K# G3 m+ }+ }; X0 s) S
) G6 c. m) E- a. Q8 y9 \8 ^2 e下面,还是以汉字严为例,演示如何实现 UTF-8 编码。
* i" x- ~; t' ]1 ^1 C' C2 v. t. {" Q& X  Y8 q/ G8 d
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。
5 B$ T2 a9 A' e, B" O2 j- T7 o4 m! z8 q5 o/ C
六、Unicode 与 UTF-8 之间的转换
3 y) Q9 [: Z( N" d# N2 |! B* W6 i3 q; u& z2 A$ |& q6 @5 f' S+ D
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。. x8 [, o* U  m0 o
" p# T7 f0 c1 P& [: E7 J. g2 q" F
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。  w7 K9 W+ J, R' U
ASCII Unicode 和 UTF-8这些之间的关系 2.png

, ~2 K2 a  T, s* `4 i; u! X/ a5 |里面有四个选项:ANSI,Unicode,Unicode big endian和UTF-8。; j6 d) q, L; m: ?% E
8 S( y6 G; k4 j4 D
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)。9 O" D/ e6 j5 Z6 Z1 C: L

" O* T! x7 F& w  Z3 t2.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。
- q& w1 h7 E0 C& E$ [4 K+ ]  g! y  D
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。2 l) a7 i: C, w3 |& U5 ?4 p

2 e1 N, {4 i" A  y* T3 z4.UTF-8编码,也就是上一节谈到的编码方法。* J8 v- R) }: I$ I

1 p! A0 y9 F- c- k* k2 j+ z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。2 P6 k& R" {& M6 ?5 s$ X

0 J  L4 m* d$ [/ g& n七、Little endian 和 Big endian) u* Q7 M; Y* m" h+ n& o

/ G- |! l3 \  \7 }# 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。
# ~8 B/ k5 V2 Y; ?" L# t; S; F0 q9 H& a: L! |0 P
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。
! b2 x7 U) B; L& g, s" T
1 }% }" O) z# @! ]! Q, b6 k8 X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)。
& b( G. S- G1 B& @! M' G/ H7 S9 j& q$ Q
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?
6 f4 Y( ^, v% t- B1 A. `- ~$ t0 F% @: z
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。
! Q2 l! D- [9 a9 i" S& p/ d- P4 i# i5 ^  o6 F' q
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。
8 y3 r* `& C% y# _" T$ l: i6 a3 n$ A9 ]. A
八、实例( Z, N$ c# Y! `+ m3 F9 |
/ T  ~0 G/ |1 ?4 f* W2 E
下面,举一个实例。: t7 @/ o2 x9 p# K: M

0 `7 ?& J" @3 ]% l& t  f- L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。: W! G3 v4 |& R3 \

. a, s. v; g+ W- `1 Y: ?5 D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。
& T* T) f: t4 i' k. X, W$ H+ d: M/ }1 k/ M
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。1 Q3 r& B' a" V. @

/ i* U9 E7 J+ Y& Z+ f2. 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。5 Z8 Z: ~) p4 R3 g# c; Y

& g# l+ e! H! J% ]; _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& J$ C) K- D- ^% u

$ i2 F3 [7 }4 _2 e! k. B) Q; g4. 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。
4 K( q5 ?. p3 b2 y7 G


luzupeng34「初入古黑」 2019-12-12 17:30:16 |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 10:43:07 |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

GMT+8, 2020-1-22 22:20 , Processed in 0.037992 second(s), 26 queries , Redis On.

© 2015-2020 GuHei.Net

Powered by Discuz! X3.4

快速回复 返回列表