[转]字符编码,ansi, unicode,utf-8, utf-16
生活随笔
收集整理的這篇文章主要介紹了
[转]字符编码,ansi, unicode,utf-8, utf-16
小編覺得挺不錯的,現(xiàn)在分享給大家,幫大家做個參考.
Unicode(Universal Multiple-Octet Coded Character Set):
目前最流行和最有前途的字符編碼規(guī)范,因為它解決了不同語言編碼的沖突。 Uicode由來:
最初的字符編碼ascii(8bit,最高位為0)只能表示128個字符,表示英文、數(shù)字和一些符號是沒問題。但是世界不止一種語言,即使用上了最高為1的擴展ascii碼,也只有256個字符。
對中日韓文、阿拉伯文之類復(fù)雜的文字,就無法使用了。
于是,各國都制定了自己的兼容ascii編碼規(guī)范,就是各種ANSI碼,比如我國的gb2312,用兩個擴展ascii字符來表示一個中文。但是這些ansi碼無法同時存在,因為它們的定義互相重疊,要自由使用不同語言就必須有一個新編碼,為各種文字統(tǒng)一分配編碼。
ISO(國際標準化組織)和Uicode協(xié)會(一個軟件制造商的協(xié)會)分別開始了這個工作。即ISO的ISO 10646項目和Unicode協(xié)會的Unicode項目。后來它們開始合并了雙方的工作成果,采用相同的字庫和字碼。但目前兩個項目都存在并獨立地公布自己的標準。 UCS(Unicode Character Set):
這 是Uicode在ISO的名稱,目有兩套編碼方法,UCS-2(Unicode)用2個字節(jié)表示一個字符,UCS-4(Unicode-32)用4個字節(jié) 表示一個字符。UCS-4是由USC-2擴展來的,增加了2字節(jié)的高位。即使是老UCS-2,它也可以表示2^16=65535個字符,基本上可以容納所 有常用各國字符,所以目前基本都使用UCS-2。 UTF(UCS Transformation Format):
Unicode 使用2個字節(jié)表示一個字符,ascii使用1個字節(jié),所以在很多方面產(chǎn)生了沖突,以前處理ascii的方法都必須重寫。而且C語言用\0作為字符串結(jié)束標 志,但Unicode中很多字符都含\0,C語言的字符串函數(shù)也無法正常處理Unicode。為了把unicode投入實用,出現(xiàn)了UTF,最常見的是 UTF-8和UTF-16。
?其中UTF-16和Unicode本身的編碼是一致的,UTF-32和UCS-4也是相同的。最重要的是UTF- 8,可以完全兼容ascii編碼 。UTF是一種變長的編碼,它的字節(jié)數(shù)是不固定的,使用第一個字節(jié)確定字節(jié)數(shù)。第一個字節(jié)首為0即一個字節(jié),110即2字節(jié),1110即3字節(jié),字符后續(xù) 字節(jié)都用10開始,這樣不會混淆且單字節(jié)英文字符可仍用ASCII編碼。理論上UTF-8最大可以用6字節(jié)表示一個字符,但Unicode目前沒有用大于 0xffff的字符,實際UTF-8最多使用了3個字節(jié)。 unicode轉(zhuǎn)化為UTF-8的方法
Unicode碼范圍? UTF-8編碼(把Unicode碼轉(zhuǎn)為二進制填充x處)
0000-007F??? 0xxxxxxx
0080-07FF??? 110xxxxx 10xxxxxx
0800-FFFF??? 1110xxxx 10xxxxxx 10xxxxxx
漢字的Unicode編碼范圍是0080-07FF,因此是2字節(jié)編碼。 Big Endian(大字節(jié)序)和Little Endian(小字節(jié)序):
Unicode存儲時有個字節(jié)序問題,就是一個多字節(jié)數(shù)字,是從大到小排列還是反之。這和CPU處理有關(guān),一般x86處理時都是倒置的,即大數(shù)在前。就像“莫”字的Unicode碼0x83ab,按Big Endian就變成了0xab83。 BOM(Byte Order Mark):
因為Unicode存儲時字節(jié)序的問題,在Unicode文本前插入一個不存在的字符(ZERO WIDTH NO-BREAK SPACE)作為標志來分辨兩種字節(jié)序。標志0xfeff說明按Big Endian字節(jié)序,而0xfffe說明Little-Endian。
UTF-8不需要BOM來說明字節(jié)序,但可以用BOM標志編碼方式。遇到帶0xefbbbf開頭的文本,計算機就可以不需要分辨直接按UTF-8編碼處理。 BMP(Basic Multilingual Plane):
這是Unicode實際和字符對應(yīng)的劃分方式中的概念。
按UCS-4為例子
首字節(jié)首位恒為0,剩下7位可以劃分2^7=128個group(組)。
第二個字節(jié),每個group下面可以有2^8=256個plane(平面)。
第三個字節(jié),可以給每個palne帶來256個row(行)。
第四個字節(jié),這里的8位又可以每row可以劃分256個cell(格子)。
0、big endian和little endian Big endian和Little endian是CPU處理多字節(jié)數(shù)的不同方式。例如“漢”字的Unicode編碼是6C49。那么寫到文件里時,究竟是將6C寫在前面,還是將49寫在前 面?如果將6C寫在前面,就是big endian。還是將49寫在前面,就是little endian。 “endian”這個詞出自《格列佛游記》。小人國的內(nèi)戰(zhàn)就源于吃雞蛋時是究竟從大頭(Big-Endian)敲開還是從小頭(Little-Endian)敲開,由此曾發(fā)生過六次叛亂,其中一個皇帝送了命,另一個丟了王位。 我們一般將endian翻譯成“字節(jié)序”,將big endian和little endian稱作“大尾”和“小尾”。 1、字符編碼、內(nèi)碼,順帶介紹漢字編碼 字符必須編碼后才能被計算機處理。計算機使用的缺省編碼方式就是計算機的內(nèi)碼。早期的計算機使用7位的ASCII編碼,為了處理漢字,程序員設(shè)計了用于簡體中文的GB2312和用于繁體中文的big5。 GB2312(1980年)一共收錄了7445個字符,包括6763個漢字和682個其它符號。漢字區(qū)的內(nèi)碼范圍高字節(jié)從B0-F7,低字節(jié)從A1-FE,占用的碼位是72*94=6768。其中有5個空位是D7FA-D7FE。 GB2312支持的漢字太少。1995年的漢字擴展規(guī)范GBK1.0收錄了21886個符號,它分為漢字區(qū)和圖形符號區(qū)。漢字區(qū)包括21003個字符。 2000年的GB18030是取代GBK1.0的正式國家標準。該標準收錄了27484個漢字,同時還收錄了藏文、蒙文、維吾爾文等主要的少數(shù)民族文字。 現(xiàn)在的PC平臺必須支持GB18030,對嵌入式產(chǎn)品暫不作要求。所以手機、MP3一般只支持GB2312。 從ASCII、GB2312、GBK到GB18030,這些編碼方法是向下兼容的,即同一個字符在這些方案中總是有相同的編碼,后面的標準支持更多的字 符。在這些編碼中,英文和中文可以統(tǒng)一地處理。區(qū)分中文編碼的方法是高字節(jié)的最高位不為0。按照程序員的稱呼,GB2312、GBK到GB18030都屬 于雙字節(jié)字符集 (DBCS)。 有的中文Windows的缺省內(nèi)碼還是GBK,可以通過GB18030升級包升級到GB18030。不過GB18030相對GBK增加的字符,普通人是很難用到的,通常我們還是用GBK指代中文Windows內(nèi)碼。 這里還有一些細節(jié): GB2312的原文還是區(qū)位碼,從區(qū)位碼到內(nèi)碼,需要在高字節(jié)和低字節(jié)上分別加上A0。 在DBCS中,GB內(nèi)碼的存儲格式始終是big endian,即高位在前。 GB2312的兩個字節(jié)的最高位都是1。但符合這個條件的碼位只有128*128=16384個。所以GBK和GB18030的低字節(jié)最高位都可能不是 1。不過這不影響DBCS字符流的解析:在讀取DBCS字符流時,只要遇到高位為1的字節(jié),就可以將下兩個字節(jié)作為一個雙字節(jié)編碼,而不用管低字節(jié)的高位 是什么。 2、Unicode、UCS和UTF 前面提到從ASCII、GB2312、GBK到GB18030的編碼方法是向下兼容的。而Unicode只與ASCII兼容(更準確地說,是與ISO-8859-1兼容),與GB碼不兼容。例如“漢”字的Unicode編碼是6C49,而GB碼是BABA。 Unicode也是一種字符編碼方法,不過它是由國際組織設(shè)計,可以容納全世界所有語言文字的編碼方案。Unicode的學(xué)名是"Universal Multiple-Octet Coded Character Set",簡稱為UCS。UCS可以看作是"Unicode Character Set"的縮寫。 根據(jù)維基百科全書(http://zh.wikipedia.org/wiki/)的記載:歷史上存在兩個試圖獨立設(shè)計Unicode的組織,即國際標準化組織(ISO)和一個軟件制造商的協(xié)會(unicode.org)。ISO開發(fā)了ISO 10646項目,Unicode協(xié)會開發(fā)了Unicode項目。 在1991年前后,雙方都認識到世界不需要兩個不兼容的字符集。于是它們開始合并雙方的工作成果,并為創(chuàng)立一個單一編碼表而協(xié)同工作。從Unicode2.0開始,Unicode項目采用了與ISO 10646-1相同的字庫和字碼。 目前兩個項目仍都存在,并獨立地公布各自的標準。Unicode協(xié)會現(xiàn)在的最新版本是2005年的Unicode 4.1.0。ISO的最新標準是10646-3:2003。 UCS規(guī)定了怎么用多個字節(jié)表示各種文字。怎樣傳輸這些編碼,是由UTF(UCS Transformation Format)規(guī)范規(guī)定的,常見的UTF規(guī)范包括UTF-8、UTF-7、UTF-16。 IETF的RFC2781和RFC3629以RFC的一貫風(fēng)格,清晰、明快又不失嚴謹?shù)孛枋隽薝TF-16和UTF-8的編碼方法。我總是記不得 IETF是Internet Engineering Task Force的縮寫。但IETF負責(zé)維護的RFC是Internet上一切規(guī)范的基礎(chǔ)。
3、UCS-2、UCS-4、BMP UCS有兩種格式:UCS-2和UCS-4。顧名思義,UCS-2就是用兩個字節(jié)編碼,UCS-4就是用4個字節(jié)(實際上只用了31位,最高位必須為0)編碼。下面讓我們做一些簡單的數(shù)學(xué)游戲: UCS-2有2^16=65536個碼位,UCS-4有2^31=2147483648個碼位。 UCS-4根據(jù)最高位為0的最高字節(jié)分成2^7=128個group。每個group再根據(jù)次高字節(jié)分為256個plane。每個plane根據(jù)第3個 字節(jié)分為256行 (rows),每行包含256個cells。當然同一行的cells只是最后一個字節(jié)不同,其余都相同。 group 0的plane 0被稱作Basic Multilingual Plane, 即BMP。或者說UCS-4中,高兩個字節(jié)為0的碼位被稱作BMP。 將UCS-4的BMP去掉前面的兩個零字節(jié)就得到了UCS-2。在UCS-2的兩個字節(jié)前加上兩個零字節(jié),就得到了UCS-4的BMP。而目前的UCS-4規(guī)范中還沒有任何字符被分配在BMP之外。 4、UTF編碼 UTF-8就是以8位為單元對UCS進行編碼。從UCS-2到UTF-8的編碼方式如下: ╔════════════╦══════════════╗
║UCS-2編碼(16進制)?????? ║UTF-8 字節(jié)流(二進制)??????? ║
║------------------------║----------------------------║
║0000 - 007F???????????? ║0xxxxxxx??????????????????? ║
║0080 - 07FF?? ???????? ?║110xxxxx 10xxxxxx??????? ?? ║
║0800 - FFFF?????????? ? ║1110xxxx 10xxxxxx 10xxxxxx? ║
╚════════════╩══════════════╝
例如“漢”字的Unicode編碼是6C49。6C49在0800-FFFF之間,所以肯定要用3字節(jié)模板了:1110xxxx 10xxxxxx 10xxxxxx。將6C49寫成二進制是:0110 110001 001001, 用這個比特流依次代替模板中的x,得到:11100110 10110001 10001001,即E6 B1 89。 讀者可以用記事本測試一下我們的編碼是否正確。 UTF-16以16位為單元對UCS進行編碼。對于小于0x10000的UCS碼,UTF-16編碼就等于UCS碼對應(yīng)的16位無符號整數(shù)。對于不小于 0x10000的UCS碼,定義了一個算法。不過由于實際使用的UCS2,或者UCS4的BMP必然小于0x10000,所以就目前而言,可以認為 UTF-16和UCS-2基本相同。但UCS-2只是一個編碼方案,UTF-16卻要用于實際的傳輸,所以就不得不考慮字節(jié)序的問題。 5、UTF的字節(jié)序和BOM UTF-8以字節(jié)為編碼單元,沒有字節(jié)序的問題。UTF-16以兩個字節(jié)為編碼單元,在解釋一個UTF-16文本前,首先要弄清楚每個編碼單元的字節(jié) 序。例如收到一個“奎”的Unicode編碼是594E,“乙”的Unicode編碼是4E59。如果我們收到UTF-16字節(jié)流“594E”,那么這是 “奎”還是“乙”? Unicode規(guī)范中推薦的標記字節(jié)順序的方法是BOM。BOM不是“Bill Of Material”的BOM表,而是Byte Order Mark。BOM是一個有點小聰明的想法: 在UCS編碼中有一個叫做"ZERO WIDTH NO-BREAK SPACE"的字符,它的編碼是FEFF。而FFFE在UCS中是不存在的字符,所以不應(yīng)該出現(xiàn)在實際傳輸中。UCS規(guī)范建議我們在傳輸字節(jié)流前,先傳輸 字符"ZERO WIDTH NO-BREAK SPACE"。 這樣如果接收者收到FEFF,就表明這個字節(jié)流是Big-Endian的;如果收到FFFE,就表明這個字節(jié)流是Little-Endian的。因此字符"ZERO WIDTH NO-BREAK SPACE"又被稱作BOM。 UTF-8不需要BOM來表明字節(jié)順序,但可以用BOM來表明編碼方式。字符"ZERO WIDTH NO-BREAK SPACE"的UTF-8編碼是EF BB BF(讀者可以用我們前面介紹的編碼方法驗證一下)。所以如果接收者收到以EF BB BF開頭的字節(jié)流,就知道這是UTF-8編碼了。 Windows就是使用BOM來標記文本文件的編碼方式的。 6、進一步的參考資料 本文主要參考的資料是 "Short overview of ISO-IEC 10646 and Unicode" (http://www.nada.kth.se/i18n/ucs/unicode-iso10646-oview.html)。 我還找了兩篇看上去不錯的資料,不過因為我開始的疑問都找到了答案,所以就沒有看: "Understanding Unicode A general introduction to the Unicode Standard" (http://scripts.sil.org/cms/scripts/page.php?site_id=nrsi&item_id=IWS-Chapter04a)
"Character set encoding basics Understanding character set encodings and legacy encodings" (http://scripts.sil.org/cms/scripts/page.php?site_id=nrsi&item_id=IWS-Chapter03)?
目前最流行和最有前途的字符編碼規(guī)范,因為它解決了不同語言編碼的沖突。 Uicode由來:
最初的字符編碼ascii(8bit,最高位為0)只能表示128個字符,表示英文、數(shù)字和一些符號是沒問題。但是世界不止一種語言,即使用上了最高為1的擴展ascii碼,也只有256個字符。
對中日韓文、阿拉伯文之類復(fù)雜的文字,就無法使用了。
于是,各國都制定了自己的兼容ascii編碼規(guī)范,就是各種ANSI碼,比如我國的gb2312,用兩個擴展ascii字符來表示一個中文。但是這些ansi碼無法同時存在,因為它們的定義互相重疊,要自由使用不同語言就必須有一個新編碼,為各種文字統(tǒng)一分配編碼。
ISO(國際標準化組織)和Uicode協(xié)會(一個軟件制造商的協(xié)會)分別開始了這個工作。即ISO的ISO 10646項目和Unicode協(xié)會的Unicode項目。后來它們開始合并了雙方的工作成果,采用相同的字庫和字碼。但目前兩個項目都存在并獨立地公布自己的標準。 UCS(Unicode Character Set):
這 是Uicode在ISO的名稱,目有兩套編碼方法,UCS-2(Unicode)用2個字節(jié)表示一個字符,UCS-4(Unicode-32)用4個字節(jié) 表示一個字符。UCS-4是由USC-2擴展來的,增加了2字節(jié)的高位。即使是老UCS-2,它也可以表示2^16=65535個字符,基本上可以容納所 有常用各國字符,所以目前基本都使用UCS-2。 UTF(UCS Transformation Format):
Unicode 使用2個字節(jié)表示一個字符,ascii使用1個字節(jié),所以在很多方面產(chǎn)生了沖突,以前處理ascii的方法都必須重寫。而且C語言用\0作為字符串結(jié)束標 志,但Unicode中很多字符都含\0,C語言的字符串函數(shù)也無法正常處理Unicode。為了把unicode投入實用,出現(xiàn)了UTF,最常見的是 UTF-8和UTF-16。
?其中UTF-16和Unicode本身的編碼是一致的,UTF-32和UCS-4也是相同的。最重要的是UTF- 8,可以完全兼容ascii編碼 。UTF是一種變長的編碼,它的字節(jié)數(shù)是不固定的,使用第一個字節(jié)確定字節(jié)數(shù)。第一個字節(jié)首為0即一個字節(jié),110即2字節(jié),1110即3字節(jié),字符后續(xù) 字節(jié)都用10開始,這樣不會混淆且單字節(jié)英文字符可仍用ASCII編碼。理論上UTF-8最大可以用6字節(jié)表示一個字符,但Unicode目前沒有用大于 0xffff的字符,實際UTF-8最多使用了3個字節(jié)。 unicode轉(zhuǎn)化為UTF-8的方法
Unicode碼范圍? UTF-8編碼(把Unicode碼轉(zhuǎn)為二進制填充x處)
0000-007F??? 0xxxxxxx
0080-07FF??? 110xxxxx 10xxxxxx
0800-FFFF??? 1110xxxx 10xxxxxx 10xxxxxx
漢字的Unicode編碼范圍是0080-07FF,因此是2字節(jié)編碼。 Big Endian(大字節(jié)序)和Little Endian(小字節(jié)序):
Unicode存儲時有個字節(jié)序問題,就是一個多字節(jié)數(shù)字,是從大到小排列還是反之。這和CPU處理有關(guān),一般x86處理時都是倒置的,即大數(shù)在前。就像“莫”字的Unicode碼0x83ab,按Big Endian就變成了0xab83。 BOM(Byte Order Mark):
因為Unicode存儲時字節(jié)序的問題,在Unicode文本前插入一個不存在的字符(ZERO WIDTH NO-BREAK SPACE)作為標志來分辨兩種字節(jié)序。標志0xfeff說明按Big Endian字節(jié)序,而0xfffe說明Little-Endian。
UTF-8不需要BOM來說明字節(jié)序,但可以用BOM標志編碼方式。遇到帶0xefbbbf開頭的文本,計算機就可以不需要分辨直接按UTF-8編碼處理。 BMP(Basic Multilingual Plane):
這是Unicode實際和字符對應(yīng)的劃分方式中的概念。
按UCS-4為例子
首字節(jié)首位恒為0,剩下7位可以劃分2^7=128個group(組)。
第二個字節(jié),每個group下面可以有2^8=256個plane(平面)。
第三個字節(jié),可以給每個palne帶來256個row(行)。
第四個字節(jié),這里的8位又可以每row可以劃分256個cell(格子)。
group 0中的plane 0就是BMP,即前兩個字節(jié)為0x0000的UCS-4碼。去掉0x0000的BMP上的UCS-4就變成了UCS-2編碼。或者說UCS-2是USC- 4的子集,BMP就是UCS-2在USC-4中的位置。我們從這里還可以得到USC-2轉(zhuǎn)為UCS-4的方法,再UCS-2前面插入2個字節(jié) 0x0000。
第二篇:
═══════════════════════════════════════════════ 這是一篇程序員寫給程序員的趣味讀物。所謂趣味是指可以比較輕松地了解一些原來不清楚的概念,增進知識,類似于打RPG游戲的升級。整理這篇文章的動機是兩個問題: 問題一: 使用Windows記事本的“另存為”,可以在GBK、Unicode、Unicode big endian和UTF-8這幾種編碼方式間相互轉(zhuǎn)換。同樣是txt文件,Windows是怎樣識別編碼方式的呢? 我很早前就發(fā)現(xiàn)Unicode、Unicode big endian和UTF-8編碼的txt文件的開頭會多出幾個字節(jié),分別是FF、FE(Unicode),FE、FF(Unicode big endian),EF、BB、BF(UTF-8)。但這些標記是基于什么標準呢? 問題二: 最近在網(wǎng)上看到一個ConvertUTF.c,實現(xiàn)了UTF-32、UTF-16和UTF-8這三種編碼方式的相互轉(zhuǎn)換。對于 Unicode(UCS2)、GBK、UTF-8這些編碼方式,我原來就了解。但這個程序讓我有些糊涂,想不起來UTF-16和UCS2有什么關(guān)系。 查了查相關(guān)資料,總算將這些問題弄清楚了,順帶也了解了一些Unicode的細節(jié)。寫成一篇文章,送給有過類似疑問的朋友。本文在寫作時盡量做到通俗易懂,但要求讀者知道什么是字節(jié),什么是十六進制。0、big endian和little endian Big endian和Little endian是CPU處理多字節(jié)數(shù)的不同方式。例如“漢”字的Unicode編碼是6C49。那么寫到文件里時,究竟是將6C寫在前面,還是將49寫在前 面?如果將6C寫在前面,就是big endian。還是將49寫在前面,就是little endian。 “endian”這個詞出自《格列佛游記》。小人國的內(nèi)戰(zhàn)就源于吃雞蛋時是究竟從大頭(Big-Endian)敲開還是從小頭(Little-Endian)敲開,由此曾發(fā)生過六次叛亂,其中一個皇帝送了命,另一個丟了王位。 我們一般將endian翻譯成“字節(jié)序”,將big endian和little endian稱作“大尾”和“小尾”。 1、字符編碼、內(nèi)碼,順帶介紹漢字編碼 字符必須編碼后才能被計算機處理。計算機使用的缺省編碼方式就是計算機的內(nèi)碼。早期的計算機使用7位的ASCII編碼,為了處理漢字,程序員設(shè)計了用于簡體中文的GB2312和用于繁體中文的big5。 GB2312(1980年)一共收錄了7445個字符,包括6763個漢字和682個其它符號。漢字區(qū)的內(nèi)碼范圍高字節(jié)從B0-F7,低字節(jié)從A1-FE,占用的碼位是72*94=6768。其中有5個空位是D7FA-D7FE。 GB2312支持的漢字太少。1995年的漢字擴展規(guī)范GBK1.0收錄了21886個符號,它分為漢字區(qū)和圖形符號區(qū)。漢字區(qū)包括21003個字符。 2000年的GB18030是取代GBK1.0的正式國家標準。該標準收錄了27484個漢字,同時還收錄了藏文、蒙文、維吾爾文等主要的少數(shù)民族文字。 現(xiàn)在的PC平臺必須支持GB18030,對嵌入式產(chǎn)品暫不作要求。所以手機、MP3一般只支持GB2312。 從ASCII、GB2312、GBK到GB18030,這些編碼方法是向下兼容的,即同一個字符在這些方案中總是有相同的編碼,后面的標準支持更多的字 符。在這些編碼中,英文和中文可以統(tǒng)一地處理。區(qū)分中文編碼的方法是高字節(jié)的最高位不為0。按照程序員的稱呼,GB2312、GBK到GB18030都屬 于雙字節(jié)字符集 (DBCS)。 有的中文Windows的缺省內(nèi)碼還是GBK,可以通過GB18030升級包升級到GB18030。不過GB18030相對GBK增加的字符,普通人是很難用到的,通常我們還是用GBK指代中文Windows內(nèi)碼。 這里還有一些細節(jié): GB2312的原文還是區(qū)位碼,從區(qū)位碼到內(nèi)碼,需要在高字節(jié)和低字節(jié)上分別加上A0。 在DBCS中,GB內(nèi)碼的存儲格式始終是big endian,即高位在前。 GB2312的兩個字節(jié)的最高位都是1。但符合這個條件的碼位只有128*128=16384個。所以GBK和GB18030的低字節(jié)最高位都可能不是 1。不過這不影響DBCS字符流的解析:在讀取DBCS字符流時,只要遇到高位為1的字節(jié),就可以將下兩個字節(jié)作為一個雙字節(jié)編碼,而不用管低字節(jié)的高位 是什么。 2、Unicode、UCS和UTF 前面提到從ASCII、GB2312、GBK到GB18030的編碼方法是向下兼容的。而Unicode只與ASCII兼容(更準確地說,是與ISO-8859-1兼容),與GB碼不兼容。例如“漢”字的Unicode編碼是6C49,而GB碼是BABA。 Unicode也是一種字符編碼方法,不過它是由國際組織設(shè)計,可以容納全世界所有語言文字的編碼方案。Unicode的學(xué)名是"Universal Multiple-Octet Coded Character Set",簡稱為UCS。UCS可以看作是"Unicode Character Set"的縮寫。 根據(jù)維基百科全書(http://zh.wikipedia.org/wiki/)的記載:歷史上存在兩個試圖獨立設(shè)計Unicode的組織,即國際標準化組織(ISO)和一個軟件制造商的協(xié)會(unicode.org)。ISO開發(fā)了ISO 10646項目,Unicode協(xié)會開發(fā)了Unicode項目。 在1991年前后,雙方都認識到世界不需要兩個不兼容的字符集。于是它們開始合并雙方的工作成果,并為創(chuàng)立一個單一編碼表而協(xié)同工作。從Unicode2.0開始,Unicode項目采用了與ISO 10646-1相同的字庫和字碼。 目前兩個項目仍都存在,并獨立地公布各自的標準。Unicode協(xié)會現(xiàn)在的最新版本是2005年的Unicode 4.1.0。ISO的最新標準是10646-3:2003。 UCS規(guī)定了怎么用多個字節(jié)表示各種文字。怎樣傳輸這些編碼,是由UTF(UCS Transformation Format)規(guī)范規(guī)定的,常見的UTF規(guī)范包括UTF-8、UTF-7、UTF-16。 IETF的RFC2781和RFC3629以RFC的一貫風(fēng)格,清晰、明快又不失嚴謹?shù)孛枋隽薝TF-16和UTF-8的編碼方法。我總是記不得 IETF是Internet Engineering Task Force的縮寫。但IETF負責(zé)維護的RFC是Internet上一切規(guī)范的基礎(chǔ)。
3、UCS-2、UCS-4、BMP UCS有兩種格式:UCS-2和UCS-4。顧名思義,UCS-2就是用兩個字節(jié)編碼,UCS-4就是用4個字節(jié)(實際上只用了31位,最高位必須為0)編碼。下面讓我們做一些簡單的數(shù)學(xué)游戲: UCS-2有2^16=65536個碼位,UCS-4有2^31=2147483648個碼位。 UCS-4根據(jù)最高位為0的最高字節(jié)分成2^7=128個group。每個group再根據(jù)次高字節(jié)分為256個plane。每個plane根據(jù)第3個 字節(jié)分為256行 (rows),每行包含256個cells。當然同一行的cells只是最后一個字節(jié)不同,其余都相同。 group 0的plane 0被稱作Basic Multilingual Plane, 即BMP。或者說UCS-4中,高兩個字節(jié)為0的碼位被稱作BMP。 將UCS-4的BMP去掉前面的兩個零字節(jié)就得到了UCS-2。在UCS-2的兩個字節(jié)前加上兩個零字節(jié),就得到了UCS-4的BMP。而目前的UCS-4規(guī)范中還沒有任何字符被分配在BMP之外。 4、UTF編碼 UTF-8就是以8位為單元對UCS進行編碼。從UCS-2到UTF-8的編碼方式如下: ╔════════════╦══════════════╗
║UCS-2編碼(16進制)?????? ║UTF-8 字節(jié)流(二進制)??????? ║
║------------------------║----------------------------║
║0000 - 007F???????????? ║0xxxxxxx??????????????????? ║
║0080 - 07FF?? ???????? ?║110xxxxx 10xxxxxx??????? ?? ║
║0800 - FFFF?????????? ? ║1110xxxx 10xxxxxx 10xxxxxx? ║
╚════════════╩══════════════╝
例如“漢”字的Unicode編碼是6C49。6C49在0800-FFFF之間,所以肯定要用3字節(jié)模板了:1110xxxx 10xxxxxx 10xxxxxx。將6C49寫成二進制是:0110 110001 001001, 用這個比特流依次代替模板中的x,得到:11100110 10110001 10001001,即E6 B1 89。 讀者可以用記事本測試一下我們的編碼是否正確。 UTF-16以16位為單元對UCS進行編碼。對于小于0x10000的UCS碼,UTF-16編碼就等于UCS碼對應(yīng)的16位無符號整數(shù)。對于不小于 0x10000的UCS碼,定義了一個算法。不過由于實際使用的UCS2,或者UCS4的BMP必然小于0x10000,所以就目前而言,可以認為 UTF-16和UCS-2基本相同。但UCS-2只是一個編碼方案,UTF-16卻要用于實際的傳輸,所以就不得不考慮字節(jié)序的問題。 5、UTF的字節(jié)序和BOM UTF-8以字節(jié)為編碼單元,沒有字節(jié)序的問題。UTF-16以兩個字節(jié)為編碼單元,在解釋一個UTF-16文本前,首先要弄清楚每個編碼單元的字節(jié) 序。例如收到一個“奎”的Unicode編碼是594E,“乙”的Unicode編碼是4E59。如果我們收到UTF-16字節(jié)流“594E”,那么這是 “奎”還是“乙”? Unicode規(guī)范中推薦的標記字節(jié)順序的方法是BOM。BOM不是“Bill Of Material”的BOM表,而是Byte Order Mark。BOM是一個有點小聰明的想法: 在UCS編碼中有一個叫做"ZERO WIDTH NO-BREAK SPACE"的字符,它的編碼是FEFF。而FFFE在UCS中是不存在的字符,所以不應(yīng)該出現(xiàn)在實際傳輸中。UCS規(guī)范建議我們在傳輸字節(jié)流前,先傳輸 字符"ZERO WIDTH NO-BREAK SPACE"。 這樣如果接收者收到FEFF,就表明這個字節(jié)流是Big-Endian的;如果收到FFFE,就表明這個字節(jié)流是Little-Endian的。因此字符"ZERO WIDTH NO-BREAK SPACE"又被稱作BOM。 UTF-8不需要BOM來表明字節(jié)順序,但可以用BOM來表明編碼方式。字符"ZERO WIDTH NO-BREAK SPACE"的UTF-8編碼是EF BB BF(讀者可以用我們前面介紹的編碼方法驗證一下)。所以如果接收者收到以EF BB BF開頭的字節(jié)流,就知道這是UTF-8編碼了。 Windows就是使用BOM來標記文本文件的編碼方式的。 6、進一步的參考資料 本文主要參考的資料是 "Short overview of ISO-IEC 10646 and Unicode" (http://www.nada.kth.se/i18n/ucs/unicode-iso10646-oview.html)。 我還找了兩篇看上去不錯的資料,不過因為我開始的疑問都找到了答案,所以就沒有看: "Understanding Unicode A general introduction to the Unicode Standard" (http://scripts.sil.org/cms/scripts/page.php?site_id=nrsi&item_id=IWS-Chapter04a)
"Character set encoding basics Understanding character set encodings and legacy encodings" (http://scripts.sil.org/cms/scripts/page.php?site_id=nrsi&item_id=IWS-Chapter03)?
?
?
轉(zhuǎn)載于:https://www.cnblogs.com/robertzml/archive/2009/11/04/1595730.html
總結(jié)
以上是生活随笔為你收集整理的[转]字符编码,ansi, unicode,utf-8, utf-16的全部內(nèi)容,希望文章能夠幫你解決所遇到的問題。
- 上一篇: 删除WSS卸载后遗留的数据库
- 下一篇: WCF 中序列化自定义依赖属性类