我决定以人类的一个方法来感激你,我打算以身相许! 收藏本站
登陆 / 注册 搜索

阅读: 1.8K   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。
, Y4 F; \  X/ I: v. I. E; i# W* h2 }, a- C- z
这个问题比我想象的复杂,看了一下午,才算初步搞清楚。
/ I7 D2 |/ Q7 Z. w- ]0 p
+ @. M3 O7 z% x" W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。
. H% w+ G6 R# g  h' X: s$ P: [* k5 i: j+ S
一、ASCII 码
6 m: ~4 O" E$ a* W- e8 }) x, P5 |
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。& n) K2 V5 W9 P; n9 e/ m; V2 V

0 U' h) [* m* M, y& M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。! \* J2 Q, _; C3 r* e
4 c/ S5 j! Y% Q% B1 J4 O( e
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。
, `. d0 s$ ~( V& K3 u5 p- W3 L0 s8 n$ H5 d# H
二、非 ASCII 编码
5 L, b6 A+ m' o8 q: v( F& h' ^1 X2 h* k* X1 a  n+ E
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。- P- v1 I  M1 H

, [" G# U2 T7 ^* }7 o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。
) P4 W; @: e! e0 b; N0 d
# U  [& \+ {2 J' i/ 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。
9 w5 w1 j* f6 c, A
. ^/ g8 J+ m/ m1 O: @6 v% D1 T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。
( k& S: c% O" a: w$ n! E- p8 a' }. k: t5 P0 L% T
三. Unicode
2 A! t( W) l! ?+ M1 |! r3 T
, ?& ~3 S- L* a& i& @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。
8 B2 ~. O. W! p8 o! A: V. k
5 D: c. `7 b- t/ ^5 E9 P/ j3 R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。
+ w- w3 _2 l8 q9 _3 j6 O
/ v( D8 s2 y/ _. B% QUnicode 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。% H2 V& e, Y" t# R
8 \- d, t& T7 b* ]) n5 L9 q! K
四、Unicode 的问题8 u- ]+ Y7 c  W" a. `/ \

- A& s- t) n4 p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。9 h* ^, `  S9 F) v+ }& F& e

& r8 W9 @6 |5 b9 ]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。8 \+ s) i; k; G
+ u8 X8 ?/ M0 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。1 Y/ C* \2 ]3 L2 X
+ @$ M) t; o0 A4 ~
它们造成的结果是:
1 j7 v9 ^5 h3 H. p  ~
4 ?7 Y2 R" e7 p* }" ~2 t0 M1.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。% k1 a6 V8 j4 W# w
2.Unicode 在很长一段时间内无法推广,直到互联网的出现。
2 I- l1 _& j+ p4 Y* o5 [8 n. ^) r
% s. T& C- x* K0 o# X0 o( C- j2 Q% q& z五、UTF-8
6 o8 D* C! t- I4 R: q/ m3 ?( r# X  t1 n
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。
" T; T/ c' W6 t! N0 O& ]7 S# z6 y) I$ T
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。6 p, l- ]( r7 q, g4 N, f/ r

& N. T* ]6 r7 Q, T+ xUTF-8 的编码规则很简单,只有二条:
5 Y' r8 f' k1 n+ P+ z2 O
3 \% E6 F- h5 X0 t+ s1 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。
- j: F5 L5 s2 g) @
+ ]8 ^* f+ n) _! Q, |+ k7 o( p+ D: Z2.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。5 s: W/ R/ I% x/ D8 B

, E+ j; k, J7 e下表总结了编码规则,字母x表示可用编码的位。" Q* Z0 Z  Z; d9 s0 y

9 I1 O3 L/ R2 A! S+ e. d
  1. Unicode符号范围     |        UTF-8编码方式% y$ }5 @2 q$ x$ }
  2. (十六进制)                |              (二进制)! X9 r3 {' |3 |" R9 s$ C! ]5 R
  3. ----------------------+---------------------------------------------7 x( ~2 t; _* O0 N- g  P
  4. 0000 0000-0000 007F | 0xxxxxxx; @7 O. T; Y, K1 y2 [
  5. 0000 0080-0000 07FF | 110xxxxx 10xxxxxx
    9 o; J- M/ v- [; a$ J
  6. 0000 0800-0000 FFFF | 1110xxxx 10xxxxxx 10xxxxxx9 S2 R) v6 n4 P/ }% x, F- Q3 d' u
  7. 0001 0000-0010 FFFF | 11110xxx 10xxxxxx 10xxxxxx 10xxxxxx
复制代码

8 }/ y1 ]1 l. z4 L* K/ V. ~$ U2 u+ ]+ H' c
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。
/ D! S2 o/ Y- ~0 X# p
, ]  k  }' M) i# E下面,还是以汉字严为例,演示如何实现 UTF-8 编码。. C7 c5 _% o+ z& y. O3 A4 w

1 M0 \3 H% \7 s, t/ k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。
: b8 ^- z) z: Q- L2 {/ p8 \
6 S1 g; l  G- I9 U4 p9 X7 [六、Unicode 与 UTF-8 之间的转换3 Z; @& G- S! F$ ~5 H

8 Z! i9 R- M1 N; M% 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。" Y5 n% c8 o3 l. m4 h
- X2 X: h: ?" E. }2 R# O/ D
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。
4 ~% @/ j# ~- v
ASCII Unicode 和 UTF-8这些之间的关系 2.png
' ^# R/ ~& @( Z
里面有四个选项:ANSI,Unicode,Unicode big endian和UTF-8。
" L! i7 L9 q% l3 C5 Q# U4 r2 d& t+ Z! ]; L, H6 c
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)。
$ o9 A" g: T/ ?
: A0 v. ^; B0 e: C6 W  O2.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。
6 l1 ~! ?. B9 L3 q8 h% b9 W7 K/ y/ m8 m3 J
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。
  c# u$ c1 W7 B# x% M7 R# C5 P& ]) {. T( c
4.UTF-8编码,也就是上一节谈到的编码方法。+ E. h6 E+ ~2 y/ i7 f6 I/ O! h6 h+ t

, Y: u! `9 z+ X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。
; }& X7 |& \& o0 q5 e: b- P2 s
8 Z: G: @% q3 X5 C4 L七、Little endian 和 Big endian, {/ c2 N1 o4 W' U
" u9 v# K0 |7 z7 `  \$ {" W
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。
& m: z+ D0 H$ E0 e) H; Q
* i" E# o$ v7 v: i( G# R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。7 ]4 s6 h8 S; Q! K* y
, ^7 B" C; ^2 ?1 \% z
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)。
. ?. S! ]  U9 C5 L- X) D; u
* Q" ~  h+ x  M, ^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?$ B2 u" c0 i1 n
  Z; e5 k4 ^% V, 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。
  x! B8 C2 R  Z8 \! G
7 H" R' V! i$ ?; j) @) l; b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。# y: G2 B3 i& w$ T, Q" a% v

  S; }: |- q! Z9 I+ v) N# X. _8 B$ H八、实例5 ?8 H  U# G% y$ E' c: t: s

3 ?$ d% P6 z2 N; N& j- _, r( G9 u下面,举一个实例。9 H1 b7 n9 ?* H1 y' |  }+ U

2 G' c3 ]( ?  b. [+ x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。) N, z! K) f+ w5 }: D: L! i6 `

7 q8 f2 z- v5 D9 z. D8 j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。
' B6 M/ Y% \1 u5 B0 L# T. t* C9 Z4 F, T( X! y
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。
) K! {4 E1 s* ?2 V9 e$ V& _+ f
; ]( [1 P: i0 j' {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。" |5 r: W3 \- w! g
% T0 M# ?. d/ v$ D
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。
- G$ V# v& @9 R: B0 `
, u! ~) Z2 S' M9 q) F4. 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。; Y) L* e3 X, d8 }2 }
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, 2021-8-1 08:53 , Processed in 0.036224 second(s), 19 queries , Redis On.

© 2015-2021 GuHei.Net

Powered by Discuz! X3.4

快速回复 返回列表