我本身得不到答案。所以,我希望有能够答出来之物的诞生。 收藏本站
登陆 / 注册 搜索

阅读: 1.5K   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。
' E+ s8 z  W+ S9 z- k: r6 Q# l5 s3 ^2 l
这个问题比我想象的复杂,看了一下午,才算初步搞清楚。" k. Y6 e- E+ \1 l; {
. i1 G& a$ d4 P( e3 B0 Q" q
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。
& }6 i+ r; J# J1 i8 a) v3 `: N: W' j4 [' y
一、ASCII 码
" b7 L7 C9 P2 S( g8 k2 J# k' f% m2 e, W  e5 F5 I3 ^0 \5 b! M& w
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。6 n: z2 T/ @7 X  H% N. Y1 }# x7 Z! U
3 G7 m1 J) M/ j  ~$ _2 j- K' s
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。: Y% J3 s3 i! w$ m" |
1 k% W, v4 m2 j! A
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。" S2 a$ {" r6 Z( ?4 Q8 S1 Q2 X

, A0 j3 f' ?! {' v: X: W二、非 ASCII 编码
, j8 k! m' v# E8 J8 d% R- U. ~5 `# Z) o
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。
0 v9 K$ ]& Q7 a
0 _. p1 f  O8 u" H! w! ]" l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。
* w2 ~" q7 a6 ]+ [7 {- |
! R# [7 G* z( c/ e6 L' O3 Z  I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。5 z5 J1 S5 @9 r1 ?8 ], E9 n! \, X2 |

- x1 r$ S8 O0 j+ L- I3 m; }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。. c' t6 B3 |7 ?6 N% U4 g
; q9 q5 q) }  r5 j
三. Unicode: u3 _8 C" `) F  ~* {. [* i% y: r
/ P$ B8 p. Y1 x  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。/ X- s" f& h' J7 B# L$ U% p8 Q! c" n
6 P; t$ v4 @+ y$ J( I0 y+ a' m
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。
) }; }) L2 H) a7 f  Z3 o8 s0 a1 ?4 V. Y3 Y6 E
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。& M2 v& q: C; G' u$ m1 a# k1 _

# s( ]! O( P: b/ y4 f0 r! c$ x四、Unicode 的问题
1 P4 Y4 l* ^; g+ k; v
+ a% \& R' D" `' \( y* Y. _+ D3 Q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。
# o  Y4 E  R* P: B; G/ q. r$ o, [9 f1 z# Z
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。7 J6 O. e* J: s" a& ~0 }( X; l
1 Q' A& k! D* _1 v# ~
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。6 t$ U9 A8 \: x, T
" h- Z, W% Z# W5 j
它们造成的结果是:* G+ b% l9 d; @8 x' x& a
* M% {7 I' t' t& F% R
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。
' z* I5 k. ^& I: \& l$ }7 X2.Unicode 在很长一段时间内无法推广,直到互联网的出现。0 u& h9 ?/ \* }) L, w) q

2 i! u0 a/ V" D4 L. o8 t) v五、UTF-8
6 m+ u: Z# m8 B9 C4 _
" g; U( P6 x1 E; L1 J( H# B1 ?" U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。7 Y% O& p5 F  g2 G2 f
3 b* @: e6 Z* z
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。# K3 H& @; [- W. ?" D3 p& a1 ^$ P
6 I& L& g/ H6 Y8 @
UTF-8 的编码规则很简单,只有二条:! M7 R) @, h: v, f0 V) X& ?3 t+ i
3 ?6 T; X# ~3 e* z/ K* ?7 b
1.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。
; Z9 Q$ l% t, e
5 o  F" Z3 r( Y( ]( \/ ^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。9 I0 g& Y+ I$ W6 c* |

1 a; c0 T5 [( T, \8 d9 x下表总结了编码规则,字母x表示可用编码的位。, u' G8 j# Y( g, D( B) A0 G
( `. Y# Z( J# _" P! B$ ]8 {) Z
  1. Unicode符号范围     |        UTF-8编码方式
    7 p& H1 J$ a$ S0 M9 D9 d! \+ V
  2. (十六进制)                |              (二进制): z, S; |! Y/ |# l$ ?  k
  3. ----------------------+---------------------------------------------2 o3 r& t( z  t/ i4 D) w
  4. 0000 0000-0000 007F | 0xxxxxxx: r9 O' ?; Y8 ^" ?
  5. 0000 0080-0000 07FF | 110xxxxx 10xxxxxx& w& B/ z3 _" z; h  w
  6. 0000 0800-0000 FFFF | 1110xxxx 10xxxxxx 10xxxxxx
    - x6 K# L/ z. [
  7. 0001 0000-0010 FFFF | 11110xxx 10xxxxxx 10xxxxxx 10xxxxxx
复制代码
# R* J+ Y! @' s. W) {6 n# o

" {1 `/ R) e+ }4 k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。/ w4 L; V4 c! N
2 T% o' q. N3 s* i: u  V* C* q; {
下面,还是以汉字严为例,演示如何实现 UTF-8 编码。
/ h# c; x& \# u/ e/ {% E
3 c& a0 A4 W, V( _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。
" f  F8 _$ m3 K- m/ L+ n% `% Q0 Y0 i$ G. k! N0 T
六、Unicode 与 UTF-8 之间的转换
, W  q% t& a% y( b5 [  ^+ M' I. ~" v
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 l* s0 y. y  X1 Z& V4 X* G1 W" |; g3 n0 ^( C# }0 s6 a, k1 U
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。, `5 m# h; p: S8 N, |* r/ I6 M. _
ASCII Unicode 和 UTF-8这些之间的关系 2.png

6 Z$ Q; Y4 D2 R里面有四个选项:ANSI,Unicode,Unicode big endian和UTF-8。
3 i' L. q( ~# r, W6 S( K# }% d% P
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)。
# \: @' K* A  i9 [# h" S
* k" D- Z, W; |6 O) 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。9 ]" Z6 y) U7 {

* _) I& o6 `& m% \& I5 q3 }4 e3.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。; E4 M! o! _' ^" g7 m, f
* g) K% F" z7 g5 H0 w! B: B. _  A
4.UTF-8编码,也就是上一节谈到的编码方法。& f, I$ Y+ y* m7 S  Q
5 J3 h; v8 l& {, W6 r
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。
* e" U. H. S0 s, {8 u" q; j4 ~5 |  w3 H- H$ d
七、Little endian 和 Big endian5 F6 E* C; j6 D+ h$ @3 _( o, }$ a7 }

' g1 l1 d1 Q: R5 L3 V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。! e, U4 a3 @$ p3 W4 A/ D# M
  V* ]) p& Q# z4 L& ?9 L3 H
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。3 q+ h# m/ F6 z6 w  j+ f9 X0 C

+ ^9 q4 Z0 [6 U9 p$ }+ f2 v1 f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)。
8 @0 h. ?$ B% m3 t- }$ n$ F/ I( D
4 b3 G; X8 }* {( u4 C8 g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?' s5 i4 F# k) M6 a  t' ]: X

7 [# }5 g4 r  Z6 D; D1 f% b: J( v# VUnicode 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。
6 _  s, i3 S: P* U7 [' M8 o) |" M
, b$ g; ~0 p, D) `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。" p' g0 w: C* B7 F/ y9 i' l

8 U- T& l: p  j- b! O; O: w八、实例
1 s5 l! [' I4 G3 F: J( o" R9 X4 `% @# ]3 o
下面,举一个实例。
. z* L% Q9 A4 d) ~/ M3 [! v& n5 y8 Q% c7 ]
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。& e6 k" m" I  W& [- u, _0 Y8 r

( `. S: ]; q! b" F1 X& ?7 o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。
9 G0 J3 H/ g2 i- g4 H0 f) [& N! |0 X
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。5 }8 \0 e5 g  D2 w  r

4 I9 i7 E) K2 H" {2 b8 Q2. 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。
! B/ b; K+ C7 W6 i
/ J6 O' K' N; n* m6 g8 X3. 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 j. `1 v4 v" F- @: \
' v. K  G! v3 {9 c; Q% \% t
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。: _! O1 I* y  @; [% {# j6 C" @
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, 2021-5-12 19:06 , Processed in 0.036651 second(s), 21 queries , Redis On.

© 2015-2021 GuHei.Net

Powered by Discuz! X3.4

快速回复 返回列表