淺談字符編碼格式

1、1. ASCII碼我們知道，在計算機內(nèi)部，所有的信息最終都表示為一個二進制的字符串。每一個二進制位（bit）有0和1兩種狀態(tài)，因此八個二進制位就可以組合出256種狀態(tài)，這被稱為一個字節(jié)（byte）。也就是說，一個字節(jié)一共可以用來表示256種不同的狀態(tài)，每一個狀態(tài)對應(yīng)一個符號，就是256個符號，從0000000到11111111。上個世紀60年代，美國制定了一套字符編碼，對英語字符與二進制位之間的關(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個字符的編碼，比如空格“SPACE”是32（二進制00100000），大寫的字母A是65（二進制01000001）。這

2、128個符號（包括32個不能打印出來的控制符號），只占用了一個字節(jié)的后面7位，最前面的1位統(tǒng)一規(guī)定為0。2、非ASCII編碼英語用128個符號編碼就夠了，但是用來表示其他語言，128個符號是不夠的。比如，在法語中，字母上方有注音符號，它就無法用ASCII碼表示。于是，一些歐洲國家就決定，利用字節(jié)中閑置的最高位編入新的符號。比如，法語中的的編碼為130（二進制10000010）。這樣一來，這些歐洲國家使用的編碼體系，可以表示最多256個符號。但是，這里又出現(xiàn)了新的問題。不同的國家有不同的字母，因此，哪怕它們都使用256個符號的編碼方式，代表的字母卻不一樣。比如，130在法語編碼中代表了，在希伯來

3、語編碼中卻代表了字母Gimel ()，在俄語編碼中又會代表另一個符號。但是不管怎樣，所有這些編碼方式中，0127表示的符號是一樣的，不一樣的只是128255的這一段。至于亞洲國家的文字，使用的符號就更多了，漢字就多達10萬左右。一個字節(jié)只能表示256種符號，肯定是不夠的，就必須使用多個字節(jié)表達一個符號。比如，簡體中文常見的編碼方式是GB2312，使用兩個字節(jié)表示一個漢字，所以理論上最多可以表示256x256=65536個符號。中文編碼的問題需要專文討論，這篇筆記不涉及。這里只指出，雖然都是用多個字節(jié)表示一個符號，但是GB類的漢字編碼與后文的Unicode和UTF-8是毫無關(guān)系的。3.Unico

4、de正如上一節(jié)所說，世界上存在著多種編碼方式，同一個二進制數(shù)字可以被解釋成不同的符號。因此，要想打開一個文本文件，就必須知道它的編碼方式，否則用錯誤的編碼方式解讀，就會出現(xiàn)亂碼。為什么電子郵件常常出現(xiàn)亂碼？就是因為發(fā)信人和收信人使用的編碼方式不一樣?？梢韵胂?，如果有一種編碼，將世界上所有的符號都納入其中。每一個符號都給予一個獨一無二的編碼，那么亂碼問題就會消失。這就是Unicode，就像它的名字都表示的，這是一種所有符號的編碼。Unicode當然是一個很大的集合，現(xiàn)在的規(guī)?？梢匀菁{100多萬個符號。每個符號的編碼都不一樣，比如，U+0639表示阿拉伯字母Ain，U+0041表示英語的大寫字母A

5、，U+4E25表示漢字“嚴”。具體的符號對應(yīng)表，可以查詢，或者專門的漢字對應(yīng)表。4. Unicode的問題需要注意的是，Unicode只是一個符號集，它只規(guī)定了符號的二進制代碼，卻沒有規(guī)定這個二進制代碼應(yīng)該如何存儲。比如，漢字“嚴”的unicode是十六進制數(shù)4E25，轉(zhuǎn)換成二進制數(shù)足足有15位（100111000100101），也就是說這個符號的表示至少需要2個字節(jié)。表示其他更大的符號，可能需要3個字節(jié)或者4個字節(jié)，甚至更多。這里就有兩個嚴重的問題，第一個問題是，如何才能區(qū)別unicode和ascii？計算機怎么知道三個字節(jié)表示一個符號，而不是分別表示三個符號呢？第二個

6、問題是，我們已經(jīng)知道，英文字母只用一個字節(jié)表示就夠了，如果unicode統(tǒng)一規(guī)定，每個符號用三個或四個字節(jié)表示，那么每個英文字母前都必然有二到三個字節(jié)是0，這對于存儲來說是極大的浪費，文本文件的大小會因此大出二三倍，這是無法接受的。它們造成的結(jié)果是：1）出現(xiàn)了unicode的多種存儲方式，也就是說有許多種不同的二進制格式，可以用來表示unicode。2）unicode在很長一段時間內(nèi)無法推廣，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的實現(xiàn)方式。其他實現(xiàn)方式還包括UTF-16和UTF-32，不過在互聯(lián)網(wǎng)上基

7、本不用。重復(fù)一遍，這里的關(guān)系是，UTF-8是Unicode的實現(xiàn)方式之一。UTF-8最大的一個特點，就是它是一種變長的編碼方式。它可以使用14個字節(jié)表示一個符號，根據(jù)不同的符號而變化字節(jié)長度。UTF-8的編碼規(guī)則很簡單，只有二條：1）對于單字節(jié)的符號，字節(jié)的第一位設(shè)為0，后面7位為這個符號的unicode碼。因此對于英語字母，UTF-8編碼和ASCII碼是相同的。2）對于n字節(jié)的符號（n1），第一個字節(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。剩下的沒有提及的二進制位，全部為這個符號的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符號范圍

8、| UTF-8編碼方式(十六進制) | （二進制）-+-0000 0000-0000 007F | 0xxxxxxx0000 0080-0000 07FF | 110xxxxx 10xxxxxx0000 0800-0000 FFFF | 1110xxxx 10xxxxxx 10xxxxxx0001 0000-0010 FFFF | 11110xxx 10xxxxxx 10xxxxxx 10xxxxxx下面，還是以漢字“嚴”為例，演示如何實現(xiàn)UTF-8編碼。已知“嚴”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 0800-0

9、000 FFFF），因此“嚴”的UTF-8編碼需要三個字節(jié)，即格式是“1110xxxx 10xxxxxx 10xxxxxx”。然后，從“嚴”的最后一個二進制位開始，依次從后向前填入格式中的x，多出的位補0。這樣就得到了，“嚴”的UTF-8編碼是“11100100 10111000 10100101”，轉(zhuǎn)換成十六進制就是E4B8A5。6. Unicode與UTF-8之間的轉(zhuǎn)換通過上一節(jié)的例子，可以看到“嚴”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)換可以通過程序?qū)崿F(xiàn)。在Windows平臺下，有一個最簡單的轉(zhuǎn)化方法，就是使用內(nèi)置的記事本小程序Notep

10、ad.exe。打開文件后，點擊“文件”菜單中的“另存為”命令，會跳出一個對話框，在最底部有一個“編碼”的下拉條。里面有四個選項：ANSI，Unicode，Unicode big endian 和 UTF-8。1）ANSI是默認的編碼方式。對于英文文件是ASCII編碼，對于簡體中文文件是GB2312編碼（只針對Windows簡體中文版，如果是繁體中文版會采用Big5碼）。2）Unicode編碼指的是UCS-2編碼方式，即直接用兩個字節(jié)存入字符的Unicode碼。這個選項用的little endian格式。3）Unicode big endian編碼與上一個選項相對應(yīng)。我在下一節(jié)會解釋little

11、 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。以漢字”嚴“為例，Unicode碼是4E25，需要用兩個字節(jié)存儲，一個字節(jié)是4E，另一個字節(jié)是25。存儲的時候，4E在前，25在后，就是Big endian方式；25在前，4E在后，就是Little endian方式。這兩個古怪的名稱來自英國作家斯威夫特的格列佛游記。在該書中，小人國里爆發(fā)了內(nèi)戰(zhàn)，戰(zhàn)爭起因是人們爭論，吃

12、雞蛋時究竟是從大頭(Big-Endian)敲開還是從小頭(Little-Endian)敲開。為了這件事情，前后爆發(fā)了六次戰(zhàn)爭，一個皇帝送了命，另一個皇帝丟了王位。因此，第一個字節(jié)在前，就是”大頭方式“（Big endian），第二個字節(jié)在前就是”小頭方式“（Little endian）。那么很自然的，就會出現(xiàn)一個問題：計算機怎么知道某一個文件到底采用哪一種方式編碼？Unicode規(guī)范中定義，每一個文件的最前面分別加入一個表示編碼順序的字符，這個字符的名字叫做”零寬度非換行空格“（ZERO WIDTH NO-BREAK SPACE），用FEFF表示。這正好是兩個字節(jié)，而且FF比FE大1。如果一個

13、文本文件的頭兩個字節(jié)是FE FF，就表示該文件采用大頭方式；如果頭兩個字節(jié)是FF FE，就表示該文件采用小頭方式。8. 實例下面，舉一個實例。打開”記事本“程序Notepad.exe，新建一個文本文件，內(nèi)容就是一個”嚴“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UltraEdit中的”十六進制功能“，觀察該文件的內(nèi)部編碼方式。1）ANSI：文件的編碼就是兩個字節(jié)“D1 CF”，這正是“嚴”的GB2312編碼，這也暗示GB2312是采用大頭方式存儲的。2）Unicode：編碼是四個字節(jié)“FF FE 25 4E”，其

14、中“FF FE”表明是小頭方式存儲，真正的編碼是4E25。3）Unicode big endian：編碼是四個字節(jié)“FE FF 4E 25”，其中“FE FF”表明是大頭方式存儲。4）UTF-8：編碼是六個字節(jié)“EF BB BF E4 B8 A5”，前三個字節(jié)“EF BB BF”表示這是UTF-8編碼，后三個“E4B8A5”就是“嚴”的具體編碼，它的存儲順序與編碼順序是一致的。9. 延伸閱讀* The Absolute Minimum Every Software Developer Absolutely, Positively Must Know About Unicode and Char

15、acter Sets（關(guān)于字符集的最基本知識）* 談?wù)刄nicode編碼* RFC3629：UTF-8, a transformation format of ISO 10646（如果實現(xiàn)UTF-8的規(guī)定）JAVA WEB工程里的應(yīng)用開發(fā)和編譯代碼時指定字符集為UTF-8。JBuilder和Eclipse都可以在項目屬性中設(shè)置。使用過濾器，如果所有請求都經(jīng)過一個Servlet控制分配器，那么使用Servlet的filter執(zhí)行語句，將所有來自瀏覽器的請求（request）轉(zhuǎn)換為UTF-8，因為瀏覽器發(fā)過來的請求包根據(jù)瀏覽器所在的操作系統(tǒng)編碼，可能是各種形式編碼。關(guān)鍵一句： request.se

16、tCharacterEncoding(UTF-8)。 網(wǎng)上有此filter的源碼，Jdon框架源碼中com.jdon.util.SetCharacterEncodingFilter 需要配置web.xml 激活該Filter。 在JSP頭部聲明：。 在Jsp的html代碼中，聲明UTF-8: 設(shè)定數(shù)據(jù)庫連接方式是UTF-8。例如連接MYSQL時配置URL如下： jdbc:mysql:/localhost:3306/test?useUnicode=true&characterEncoding=UTF-8 一般數(shù)據(jù)庫都可以通過管理設(shè)置設(shè)定UTF-8 其他和外界交互時能夠設(shè)定編碼時就設(shè)定UT

17、F-8，例如讀取文件，操作XML等。很久很久以前，有一群人，他們決定用8個可以開合的晶體管來組合成不同的狀態(tài)，以表示世界上的萬物。他們看到8個開關(guān)狀態(tài)是好的，于是他們把這稱為字節(jié)。 再后來，他們又做了一些可以處理這些字節(jié)的機器，機器開動了，可以用字節(jié)來組合出很多狀態(tài)，狀態(tài)開始變來變?nèi)?。他們看到這樣是好的，于是它們就這機器稱為計算機。 開始計算機只在美國用。八位的字節(jié)一共可以組合出256(2的8次方)種不同的狀態(tài)。 他們把其中的編號從0開始的32種狀態(tài)分別規(guī)定了特殊的用途，一但終端、打印機遇上約定好的這些字節(jié)被傳過來時，就要做一些約定的動作。遇上00x10, 終端就換行，遇上0x07, 終端就向

18、人們嘟嘟叫，例好遇上0x1b, 打印機就打印反白的字，或者終端就用彩色顯示字母。他們看到這樣很好，于是就把這些0x20以下的字節(jié)狀態(tài)稱為控制碼。 他們又把所有的空格、標點符號、數(shù)字、大小寫字母分別用連續(xù)的字節(jié)狀態(tài)表示，一直編到了第127號，這樣計算機就可以用不同字節(jié)來存儲英語的文字了。大家看到這樣，都感覺很好，于是大家都把這個方案叫做 ANSI 的Ascii編碼（American Standard Code for Information Interchange，美國信息互換標準代碼）。當時世界上所有的計算機都用同樣的ASCII方案來保存英文文字。 后來，就像建造巴比倫塔一樣，世界各地的都開始

19、使用計算機，但是很多國家用的不是英文，他們的字母里有許多是ASCII里沒有的，為了可以在計算機保存他們的文字，他們決定采用127號之后的空位來表示這些新的字母、符號，還加入了很多畫表格時需要用下到的橫線、豎線、交叉等形狀，一直把序號編到了最后一個狀態(tài)255。從128到255這一頁的字符集被稱擴展字符集。從此之后，貪婪的人類再沒有新的狀態(tài)可以用了，美帝國主義可能沒有想到還有第三世界國家的人們也希望可以用到計算機吧！ 等中國人們得到計算機時，已經(jīng)沒有可以利用的字節(jié)狀態(tài)來表示漢字，況且有6000多個常用漢字需要保存呢。但是這難不倒智慧的中國人民，我們不客氣地把那些127號之后的奇異符號們直接取消掉,

20、 規(guī)定：一個小于127的字符的意義與原來相同，但兩個大于127的字符連在一起時，就表示一個漢字，前面的一個字節(jié)（他稱之為高字節(jié)）從0xA1用到0xF7，后面一個字節(jié)（低字節(jié)）從0xA1到0xFE，這樣我們就可以組合出大約7000多個簡體漢字了。在這些編碼里，我們還把數(shù)學(xué)符號、羅馬希臘的字母、日文的假名們都編進去了，連在 ASCII 里本來就有的數(shù)字、標點、字母都統(tǒng)統(tǒng)重新編了兩個字節(jié)長的編碼，這就是常說的全角字符，而原來在127號以下的那些就叫半角字符了。 中國人民看到這樣很不錯，于是就把這種漢字方案叫做 GB2312。GB2312 是對 ASCII 的中文擴展。 但是中國的漢字太多了，我們很快

21、就就發(fā)現(xiàn)有許多人的人名沒有辦法在這里打出來，特別是某些很會麻煩別人的國家領(lǐng)導(dǎo)人。于是我們不得不繼續(xù)把 GB2312 沒有用到的碼位找出來老實不客氣地用上。 后來還是不夠用，于是干脆不再要求低字節(jié)一定是127號之后的內(nèi)碼，只要第一個字節(jié)是大于127就固定表示這是一個漢字的開始，不管后面跟的是不是擴展字符集里的內(nèi)容。結(jié)果擴展之后的編碼方案被稱為 GBK 標準，GBK 包括了 GB2312 的所有內(nèi)容，同時又增加了近20000個新的漢字（包括繁體字）和符號。 后來少數(shù)民族也要用電腦了，于是我們再擴展，又加了幾千個新的少數(shù)民族的字，GBK 擴成了 GB18030。從此之后，中華民族的文化就可以在計算機

22、時代中傳承了。 中國的程序員們看到這一系列漢字編碼的標準是好的，于是通稱他們叫做 DBCS（Double Byte Charecter Set 雙字節(jié)字符集）。在DBCS系列標準里，最大的特點是兩字節(jié)長的漢字字符和一字節(jié)長的英文字符并存于同一套編碼方案里，因此他們寫的程序為了支持中文處理，必須要注意字串里的每一個字節(jié)的值，如果這個值是大于127的，那么就認為一個雙字節(jié)字符集里的字符出現(xiàn)了。那時候凡是受過加持，會編程的計算機僧侶們都要每天念下面這個咒語數(shù)百遍： 一個漢字算兩個英文字符！一個漢字算兩個英文字符 因為當時各個國家都像中國這樣搞出一套自己的編碼標準，結(jié)果互相之間誰也不懂誰的編碼，誰也不

23、支持別人的編碼，連大陸和臺灣這樣只相隔了150海里，使用著同一種語言的兄弟地區(qū)，也分別采用了不同的 DBCS 編碼方案當時的中國人想讓電腦顯示漢字，就必須裝上一個漢字系統(tǒng)，專門用來處理漢字的顯示、輸入的問題，但是那個臺灣的愚昧封建人士寫的算命程序就必須加裝另一套支持 BIG5 編碼的什么倚天漢字系統(tǒng)才可以用，裝錯了字符系統(tǒng)，顯示就會亂了套！這怎么辦？而且世界民族之林中還有那些一時用不上電腦的窮苦人民，他們的文字又怎么辦？ 真是計算機的巴比倫塔命題??！ 正在這時，大天使加百列及時出現(xiàn)了一個叫 ISO （國際標誰化組織）的國際組織決定著手解決這個問題。他們采用的方法很簡單：廢了所有的地區(qū)性編碼方案

24、，重新搞一個包括了地球上所有文化、所有字母和符號的編碼！他們打算叫它Universal Multiple-Octet Coded Character Set，簡稱 UCS, 俗稱 UNICODE。 UNICODE 開始制訂時，計算機的存儲器容量極大地發(fā)展了，空間再也不成為問題了。于是 ISO 就直接規(guī)定必須用兩個字節(jié)，也就是16位來統(tǒng)一表示所有的字符，對于ascii里的那些“半角”字符，UNICODE 包持其原編碼不變，只是將其長度由原來的8位擴展為16位，而其他文化和語言的字符則全部重新統(tǒng)一編碼。由于半角英文符號只需要用到低8位，所以其高8位永遠是0，因此這種大氣的方案在保存英文文本時會多浪

25、費一倍的空間。 這時候，從舊社會里走過來的程序員開始發(fā)現(xiàn)一個奇怪的現(xiàn)象：他們的strlen函數(shù)靠不住了，一個漢字不再是相當于兩個字符了，而是一個！是的，從 UNICODE 開始，無論是半角的英文字母，還是全角的漢字，它們都是統(tǒng)一的一個字符！同時，也都是統(tǒng)一的兩個字節(jié)，請注意字符和字節(jié)兩個術(shù)語的不同，“字節(jié)”是一個8位的物理存貯單元，而“字符”則是一個文化相關(guān)的符號。在UNICODE 中，一個字符就是兩個字節(jié)。一個漢字算兩個英文字符的時代已經(jīng)快過去了。 從前多種字符集存在時，那些做多語言軟件的公司遇上過很大麻煩，他們?yōu)榱嗽诓煌膰忆N售同一套軟件，就不得不在區(qū)域化軟件時也加持那個雙字節(jié)字符集咒語

26、，不僅要處處小心不要搞錯，還要把軟件中的文字在不同的字符集中轉(zhuǎn)來轉(zhuǎn)去。UNICODE 對于他們來說是一個很好的一攬子解決方案，于是從 Windows NT 開始，MS 趁機把它們的操作系統(tǒng)改了一遍，把所有的核心代碼都改成了用 UNICODE 方式工作的版本，從這時開始，WINDOWS 系統(tǒng)終于無需要加裝各種本土語言系統(tǒng)，就可以顯示全世界上所有文化的字符了。 但是，UNICODE 在制訂時沒有考慮與任何一種現(xiàn)有的編碼方案保持兼容，這使得 GBK 與UNICODE 在漢字的內(nèi)碼編排上完全是不一樣的，沒有一種簡單的算術(shù)方法可以把文本內(nèi)容從UNICODE編碼和另一種編碼進行轉(zhuǎn)換，這種轉(zhuǎn)換必須通過查表來

27、進行。 如前所述，UNICODE 是用兩個字節(jié)來表示為一個字符，他總共可以組合出65535不同的字符，這大概已經(jīng)可以覆蓋世界上所有文化的符號。如果還不夠也沒有關(guān)系，ISO已經(jīng)準備了UCS-4方案，說簡單了就是四個字節(jié)來表示一個字符，這樣我們就可以組合出21億個不同的字符出來（最高位有其他用途），這大概可以用到銀河聯(lián)邦成立那一天吧！ UNICODE 來到時，一起到來的還有計算機網(wǎng)絡(luò)的興起，UNICODE 如何在網(wǎng)絡(luò)上傳輸也是一個必須考慮的問題，于是面向傳輸?shù)谋姸?UTF（UCS Transfer Format）標準出現(xiàn)了，顧名思義，UTF8就是每次8個位傳輸數(shù)據(jù)，而UTF16就是每次16個位，只

28、不過為了傳輸時的可靠性，從UNICODE到UTF時并不是直接的對應(yīng)，而是要過一些算法和規(guī)則來轉(zhuǎn)換。 受到過網(wǎng)絡(luò)編程加持的計算機僧侶們都知道，在網(wǎng)絡(luò)里傳遞信息時有一個很重要的問題，就是對于數(shù)據(jù)高低位的解讀方式，一些計算機是采用低位先發(fā)送的方法，例如我們PC機采用的 INTEL 架構(gòu)，而另一些是采用高位先發(fā)送的方式，在網(wǎng)絡(luò)中交換數(shù)據(jù)時，為了核對雙方對于高低位的認識是否是一致的，采用了一種很簡便的方法，就是在文本流的開始時向?qū)Ψ桨l(fā)送一個標志符如果之后的文本是高位在位，那就發(fā)送FEFF，反之，則發(fā)送FFFE。不信你可以用二進制方式打開一個UTF-X格式的文件，看看開頭兩個字節(jié)是不是這兩個字節(jié)？ 講到這里，我們再順便說說一個很著名的奇怪現(xiàn)象：當你在 windows 的記事本里新建一個文件，輸入聯(lián)通兩個字之后，保存，關(guān)閉，然后再次打開，你會發(fā)現(xiàn)這兩個字已經(jīng)消失了，代之的是幾個亂碼！呵呵，有人說這就是聯(lián)通之所以拼不過移動的原因。 其實這是因為GB2312編碼與UTF8編碼產(chǎn)生了編碼沖撞的原因。 從網(wǎng)上引來一段從UNICODE到UTF8的轉(zhuǎn)換規(guī)則： Unicode UTF-8 0000 - 007F 0xxxxxxx 0080