Unicode、UTF8與GB2312等編碼之間是如何轉(zhuǎn)換的(doc 6頁(yè)).doc

1、字符編碼知識(shí)：Unicode、UTF-8、ASCII、GB2312等編碼之間是如何轉(zhuǎn)換的？（.字符編碼是計(jì)算機(jī)技術(shù)的基石，想要熟練使用計(jì)算機(jī)，就必須懂得字符編碼的知識(shí)。不注意的人可能對(duì)這個(gè)不在意，但這些名詞有時(shí)候?qū)嵲谧屓嗣曰?，?duì)想學(xué)習(xí)計(jì)算機(jī)知識(shí)的人來(lái)說(shuō)，搞懂它也十分重要，我也是在學(xué)習(xí)中慢慢了解了一些這方面的知識(shí)。1. ASCII碼 在計(jì)算機(jī)內(nèi)部，所有的信息最終都表示為一個(gè)二進(jìn)制的字符串。每一個(gè)二進(jìn)制位（bit）有0和1兩種狀態(tài)，因此八個(gè)二進(jìn)制位就可以組合出256種狀態(tài)，這被稱為一個(gè)字節(jié)（byte）。也就是說(shuō)，一個(gè)字節(jié)一共可以用來(lái)表示256種不同的狀態(tài)，每一個(gè)狀態(tài)對(duì)應(yīng)一個(gè)符號(hào)，就是256個(gè)符號(hào)，

2、從0000000到11111111。上個(gè)世紀(jì)60年代，美國(guó)制定了一套字符編碼，對(duì)英語(yǔ)字符與二進(jìn)制位之間的關(guān)系，做了統(tǒng)一規(guī)定。這被稱為ASCII碼，一直沿用至今。ASCII碼一共規(guī)定了128個(gè)字符的編碼，比如空格“SPACE”是32（十進(jìn)制的32，用二進(jìn)制表示就是00100000），大寫的字母A是65（二進(jìn)制01000001）。這128個(gè)符號(hào)（包括32個(gè)不能打印出來(lái)的控制符號(hào)），只占用了一個(gè)字節(jié)的后面7位，最前面的1位統(tǒng)一規(guī)定為0。下面是截圖：具體的可以到這個(gè)網(wǎng)頁(yè)上去查下： 2、非ASCII編碼英語(yǔ)用128個(gè)符號(hào)編碼就夠了，但是用來(lái)表示其他語(yǔ)言，128個(gè)符號(hào)是不夠的。比如，在法語(yǔ)中，字母上方有注

3、音符號(hào)，它就無(wú)法用ASCII碼表示。于是，一些歐洲國(guó)家就決定，利用字節(jié)中閑置的最高位編入新的符號(hào)。比如，法語(yǔ)中的的編碼為130（二進(jìn)制10000010）。這樣一來(lái)，這些歐洲國(guó)家使用的編碼體系，可以表示最多256個(gè)符號(hào)。但是，這里又出現(xiàn)了新的問(wèn)題。不同的國(guó)家有不同的字母，因此，哪怕它們都使用256個(gè)符號(hào)的編碼方式，代表的字母卻不一樣。比如，130在法語(yǔ)編碼中代表了，在希伯來(lái)語(yǔ)編碼中卻代表了字母Gimel ()，在俄語(yǔ)編碼中又會(huì)代表另一個(gè)符號(hào)。但是不管怎樣，所有這些編碼方式中，0127表示的符號(hào)是一樣的，不一樣的只是128255的這一段。至于亞洲國(guó)家的文字，使用的符號(hào)就更多了，漢字就多達(dá)10萬(wàn)左右

4、。一個(gè)字節(jié)只能表示256種符號(hào)，肯定是不夠的，就必須使用多個(gè)字節(jié)表達(dá)一個(gè)符號(hào)。比如，簡(jiǎn)體中文常見(jiàn)的編碼方式是GB2312，使用兩個(gè)字節(jié)表示一個(gè)漢字，所以理論上最多可以表示256x256=65536個(gè)符號(hào)。3.Unicode正如上一節(jié)所說(shuō)，世界上存在著多種編碼方式，同一個(gè)二進(jìn)制數(shù)字可以被解釋成不同的符號(hào)。因此，要想打開(kāi)一個(gè)文本文件，就必須知道它的編碼方式，否則用錯(cuò)誤的編碼方式解讀，就會(huì)出現(xiàn)亂碼。為什么電子郵件常常出現(xiàn)亂碼？就是因?yàn)榘l(fā)信人和收信人使用的編碼方式不一樣。解釋：同一個(gè)文本文件，假設(shè)內(nèi)容是用英語(yǔ)寫的，在英語(yǔ)編碼的情況下，每個(gè)字符會(huì)和一個(gè)二進(jìn)制數(shù)對(duì)應(yīng)（如00101000類似），然后存到計(jì)算

5、機(jī)中，這時(shí)把這個(gè)英語(yǔ)文件發(fā)給一個(gè)俄語(yǔ)國(guó)家的用戶，計(jì)算機(jī)傳輸?shù)氖嵌M(jìn)制流，即0101之類的數(shù)據(jù)，到了俄語(yǔ)用戶這方，需要有它的俄語(yǔ)編碼方式進(jìn)行解碼，把每個(gè)二進(jìn)制流轉(zhuǎn)為字符顯示，由于俄語(yǔ)編碼表中對(duì)每串二進(jìn)制流數(shù)據(jù)的解釋方式不同，同一個(gè)數(shù)據(jù)如00101000在英語(yǔ)中可能代表A，而在俄語(yǔ)中則代表B，這樣就會(huì)產(chǎn)生亂碼，這是我個(gè)人的理解。GB2312編碼、日文編碼等也是非unicode編碼，是要通過(guò)轉(zhuǎn)換表（codepage）轉(zhuǎn)換成unicode編碼的，要不怎么顯示出來(lái)呢？可以想象，如果有一種編碼，將世界上所有的符號(hào)都納入其中。每一個(gè)符號(hào)都給予一個(gè)獨(dú)一無(wú)二的編碼，那么亂碼問(wèn)題就會(huì)消失。這就是Unicode，就

6、像它的名字都表示的，這是一種所有符號(hào)的編碼。Unicode當(dāng)然是一個(gè)很大的集合，現(xiàn)在的規(guī)?？梢匀菁{100多萬(wàn)個(gè)符號(hào)。每個(gè)符號(hào)的編碼都不一樣，比如，U+0639表示阿拉伯字母Ain，U+0041表示英語(yǔ)的大寫字母A，U+4E25表示漢字“嚴(yán)”。具體的符號(hào)對(duì)應(yīng)表，可以查詢，或者專門的。4. Unicode的問(wèn)題需要注意的是，Unicode只是一個(gè)符號(hào)集，只是一種規(guī)范、標(biāo)準(zhǔn)，它只規(guī)定了符號(hào)的二進(jìn)制代碼，卻沒(méi)有規(guī)定這個(gè)二進(jìn)制代碼應(yīng)該如何存儲(chǔ)在計(jì)算機(jī)上。比如，漢字“嚴(yán)”的unicode是十六進(jìn)制數(shù)4E25，轉(zhuǎn)換成二進(jìn)制數(shù)足足有15位（100111000100101），也就是說(shuō)這個(gè)符號(hào)的表示至少需要2個(gè)字

7、節(jié)。表示其他更大的符號(hào)，可能需要3個(gè)字節(jié)或者4個(gè)字節(jié)，甚至更多。這里就有兩個(gè)嚴(yán)重的問(wèn)題，第一個(gè)問(wèn)題是，如何才能區(qū)別unicode和ascii？計(jì)算機(jī)怎么知道三個(gè)字節(jié)表示一個(gè)符號(hào)，而不是分別表示三個(gè)符號(hào)呢？第二個(gè)問(wèn)題是，我們已經(jīng)知道，英文字母只用一個(gè)字節(jié)表示就夠了，如果unicode統(tǒng)一規(guī)定，每個(gè)符號(hào)用三個(gè)或四個(gè)字節(jié)表示，那么每個(gè)英文字母前都必然有二到三個(gè)字節(jié)是0，這對(duì)于存儲(chǔ)來(lái)說(shuō)是極大的浪費(fèi)，文本文件的大小會(huì)因此大出二三倍，這是無(wú)法接受的。它們?cè)斐傻慕Y(jié)果是：1）出現(xiàn)了unicode的多種存儲(chǔ)方式，也就是說(shuō)有許多種不同的二進(jìn)制格式，可以用來(lái)表示unicode。2）unicode在很長(zhǎng)一段時(shí)間內(nèi)無(wú)法

8、推廣，直到互聯(lián)網(wǎng)的出現(xiàn)。5.UTF-8互聯(lián)網(wǎng)的普及，強(qiáng)烈要求出現(xiàn)一種統(tǒng)一的編碼方式。UTF-8就是在互聯(lián)網(wǎng)上使用最廣的一種unicode的實(shí)現(xiàn)方式。其他實(shí)現(xiàn)方式還包括UTF-16和UTF-32，不過(guò)在互聯(lián)網(wǎng)上基本不用。重復(fù)一遍，這里的關(guān)系是，UTF-8是Unicode的實(shí)現(xiàn)方式之一，它規(guī)定了字符如何在計(jì)算機(jī)中存儲(chǔ)、傳輸?shù)?。UTF-8最大的一個(gè)特點(diǎn)，就是它是一種變長(zhǎng)的編碼方式。它可以使用14個(gè)字節(jié)表示一個(gè)符號(hào)，根據(jù)不同的符號(hào)而變化字節(jié)長(zhǎng)度。UTF-8的編碼規(guī)則很簡(jiǎn)單，只有二條：1）對(duì)于單字節(jié)的符號(hào)，字節(jié)的第一位設(shè)為0，后面7位為這個(gè)符號(hào)的unicode碼。因此對(duì)于英語(yǔ)字母，UTF-8編碼和ASC

9、II碼是相同的。2）對(duì)于n字節(jié)的符號(hào)（n1），第一個(gè)字節(jié)的前n位都設(shè)為1，第n+1位設(shè)為0，后面字節(jié)的前兩位一律設(shè)為10。剩下的沒(méi)有提及的二進(jìn)制位，全部為這個(gè)符號(hào)的unicode碼。下表總結(jié)了編碼規(guī)則，字母x表示可用編碼的位。Unicode符號(hào)范圍 | UTF-8編碼方式(十六進(jìn)制) | （二進(jìn)制）-+-0000 0000-0000 007F | 0xxxxxxx0000 0080-0000 07FF | 110xxxxx 10xxxxxx0000 0800-0000 FFFF | 1110xxxx 10xxxxxx 10xxxxxx0001 0000-0010 FFFF | 11110xxx

10、 10xxxxxx 10xxxxxx 10xxxxxx下面，還是以漢字“嚴(yán)”為例，演示如何實(shí)現(xiàn)UTF-8編碼。已知“嚴(yán)”的unicode是4E25（100111000100101），根據(jù)上表，可以發(fā)現(xiàn)4E25處在第三行的范圍內(nèi)（0000 0800-0000 FFFF），因此“嚴(yán)”的UTF-8編碼需要三個(gè)字節(jié)，即格式是“1110xxxx 10xxxxxx 10xxxxxx”。然后，從“嚴(yán)”的最后一個(gè)二進(jìn)制位開(kāi)始，依次從后向前填入格式中的x，多出的位補(bǔ)0。這樣就得到了，“嚴(yán)”的UTF-8編碼是“11100100 10111000 10100101”，這是保存在計(jì)算機(jī)中的實(shí)際數(shù)據(jù)，轉(zhuǎn)換成十六進(jìn)制就是

11、E4B8A5，轉(zhuǎn)成十六進(jìn)制的目的為了便于閱讀。6. Unicode與UTF-8之間的轉(zhuǎn)換通過(guò)上一節(jié)的例子，可以看到“嚴(yán)”的Unicode碼是4E25，UTF-8編碼是E4B8A5，兩者是不一樣的。它們之間的轉(zhuǎn)換可以通過(guò)程序?qū)崿F(xiàn)。在Windows平臺(tái)下，有一個(gè)最簡(jiǎn)單的轉(zhuǎn)化方法，就是使用內(nèi)置的記事本小程序Notepad.exe。打開(kāi)文件后，點(diǎn)擊“文件”菜單中的“另存為”命令，會(huì)跳出一個(gè)對(duì)話框，在最底部有一個(gè)“編碼”的下拉條。里面有四個(gè)選項(xiàng)：ANSI，Unicode，Unicode big endian 和 UTF-8。1）ANSI是默認(rèn)的編碼方式。對(duì)于英文文件是ASCII編碼，對(duì)于簡(jiǎn)體中文文件是G

12、B2312編碼（只針對(duì)Windows簡(jiǎn)體中文版，如果是繁體中文版會(huì)采用Big5碼）。2）Unicode編碼指的是UCS-2編碼方式，即直接用兩個(gè)字節(jié)存入字符的Unicode碼。這個(gè)選項(xiàng)用的little endian格式。3）Unicode big endian編碼與上一個(gè)選項(xiàng)相對(duì)應(yīng)。我在下一節(jié)會(huì)解釋little endian和big endian的涵義。4）UTF-8編碼，也就是上一節(jié)談到的編碼方法。選擇完”編碼方式“后，點(diǎn)擊”保存“按鈕，文件的編碼方式就立刻轉(zhuǎn)換好了。7. Little endian和Big endian上一節(jié)已經(jīng)提到，Unicode碼可以采用UCS-2格式直接存儲(chǔ)。以漢字”

13、嚴(yán)“為例，Unicode碼是4E25，需要用兩個(gè)字節(jié)存儲(chǔ)，一個(gè)字節(jié)是4E，另一個(gè)字節(jié)是25。存儲(chǔ)的時(shí)候，4E在前，25在后，就是Big endian方式；25在前，4E在后，就是Little endian方式。那么很自然的，就會(huì)出現(xiàn)一個(gè)問(wèn)題：計(jì)算機(jī)怎么知道某一個(gè)文件到底采用哪一種方式編碼？Unicode規(guī)范中定義，每一個(gè)文件的最前面分別加入一個(gè)表示編碼順序的字符，這個(gè)字符的名字叫做”零寬度非換行空格“（ZERO WIDTH NO-BREAK SPACE），用FEFF表示。這正好是兩個(gè)字節(jié)，而且FF比FE大1。如果一個(gè)文本文件的頭兩個(gè)字節(jié)是FE FF，就表示該文件采用大頭方式；如果頭兩個(gè)字節(jié)是F

14、F FE，就表示該文件采用小頭方式。8. 實(shí)例下面，舉一個(gè)實(shí)例。打開(kāi)”記事本“程序Notepad.exe，新建一個(gè)文本文件，內(nèi)容就是一個(gè)”嚴(yán)“字，依次采用ANSI，Unicode，Unicode big endian 和 UTF-8編碼方式保存。然后，用文本編輯軟件的”十六進(jìn)制功能“，觀察該文件的內(nèi)部編碼方式。1）ANSI：文件的編碼就是兩個(gè)字節(jié)“D1 CF”，這正是“嚴(yán)”的GB2312編碼，這也暗示GB2312是采用大頭方式存儲(chǔ)的。2）Unicode：編碼是四個(gè)字節(jié)“FF FE 25 4E”，其中“FF FE”表明是小頭方式存儲(chǔ)，真正的編碼是4E25。3）Unicode big endian

15、：編碼是四個(gè)字節(jié)“FE FF 4E 25”，其中“FE FF”表明是大頭方式存儲(chǔ)。4）UTF-8：編碼是六個(gè)字節(jié)“EF BB BF E4 B8 A5”，前三個(gè)字節(jié)“EF BB BF”表示這是UTF-8編碼，后三個(gè)“E4B8A5”就是“嚴(yán)”的具體編碼，它的存儲(chǔ)順序與編碼順序是一致的。推薦這篇文章看一下： 9.解決的問(wèn)題：一、如何在中文系統(tǒng)中運(yùn)行非Unicode編碼程序？有很多意大利文版（除英文版）學(xué)習(xí)軟件、百科全書等軟件在中文系統(tǒng)上會(huì)出現(xiàn)亂碼，解決方法： WindowsXP內(nèi)核是Unicode編碼，支持多語(yǔ)種，對(duì)于Unicode編碼的應(yīng)用程序會(huì)正常顯示原文（因?yàn)閣indows核心是用unicod

16、e代碼寫的，所以不存在問(wèn)題），但是，很多程序不是用Unicode編碼寫的，這時(shí)WindowsXP系統(tǒng)可以指定以特定的編碼運(yùn)行非Unicode編碼程序，中文版WindowsXP默認(rèn)的是“簡(jiǎn)體中文GB2312”。你只需在控制面板-區(qū)域和語(yǔ)言選項(xiàng)-高級(jí)-為非Unicode程序的語(yǔ)言選擇“意大利語(yǔ)”，即可正確運(yùn)行意大利文版的游戲程序。分析：我理解的流程是這樣：程序-意大利語(yǔ)編碼（轉(zhuǎn)換表codepage）-解釋成unicode識(shí)別的編碼（通過(guò)指定的轉(zhuǎn)換表將非 Unicode 的字符編碼轉(zhuǎn)換為同一字符對(duì)應(yīng)的系統(tǒng)內(nèi)部使用的 Unicode 編碼）-被系統(tǒng)翻譯成意大利文（因?yàn)槊總€(gè)unicode編碼對(duì)應(yīng)了相應(yīng)的

17、意大利文字），便可以正常顯示了。二、消除網(wǎng)頁(yè)亂碼？網(wǎng)頁(yè)亂碼是瀏覽器對(duì)HTML網(wǎng)頁(yè)解釋時(shí)形成的，如果網(wǎng)頁(yè)制作時(shí)編碼為繁體big5，瀏覽器卻以編碼gb2312顯示該網(wǎng)頁(yè)，就會(huì)出現(xiàn)亂碼，因此只要你在瀏覽器中也以繁體big5顯示該網(wǎng)頁(yè)，就會(huì)消除亂碼。打個(gè)比方有些像字典，繁體字得用繁體字典來(lái)查看，簡(jiǎn)體字得用簡(jiǎn)體字典來(lái)查看，不然你看不懂。 【解決辦法】：在瀏覽器中選擇“編碼”菜單，事先為瀏覽器安裝多語(yǔ)言支持包（例如在安裝IE時(shí)要安裝多語(yǔ)言支持包），這樣當(dāng)瀏覽網(wǎng)頁(yè)出現(xiàn)亂碼時(shí)，即可手工更改查看此網(wǎng)頁(yè)的編碼方式，在瀏覽器中選擇菜單欄下的“查看”/“編碼”/“自動(dòng)選擇”/簡(jiǎn)體中文（GB2312），如為繁體中文則選擇“