不錯的計算機編碼史講解,原文請戳!
概要：UTF-8的一個特別的好處是它與ISO-8859-1完全兼容，可以表示世界上所有的字符，漢字通常用３個字節(jié)來表示。GB2312的codepage是CP20936。GBK的codepage是CP936。GB18030支持的字符數(shù)更多。GB2312、GBK、GB18030均為雙字節(jié)。

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、Unicodebigendian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、Unicodebigendian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（Unicodebigendian）,EF、BB、BF（UTF-8）。但這些標(biāo)記是基于什么標(biāo)準(zhǔn)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(xì)節(jié)。作者寫成一篇文章，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、bigendian和littleendianbigendian和littleendian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bigendian。如果將49寫在前面，就是littleendian。“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，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bigendian和littleendian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?jǐn)U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(biāo)準(zhǔn)。該標(biāo)準(zhǔn)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(biāo)準(zhǔn)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(xì)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bigendian，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(zhǔn)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”UniversalMultiple-OctetCodedCharacterSet”，簡稱為UCS。UCS可以看作是”UnicodeCharacterSet”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(biāo)準(zhǔn)化組織（ISO）和一個軟件制造商的協(xié)會（unicode.org）。ISO開發(fā)了ISO10646項目，Unicode協(xié)會開發(fā)了Unicode項目。

在1991年前后，雙方都認(rèn)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ISO10646-1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(biāo)準(zhǔn)。Unicode協(xié)會現(xiàn)在的最新版本是2005年的Unicode4.1.0。ISO的最新標(biāo)準(zhǔn)是ISO10646-3:2003。

UCS只是規(guī)定如何編碼，并沒有規(guī)定如何傳輸、保存這個編碼。例如“漢”字的UCS編碼是6C49，我可以用4個ascii數(shù)字來傳輸、保存這個編碼；也可以用utf-8編碼:3個連續(xù)的字節(jié)E6B189來表示它。關(guān)鍵在于通信雙方都要認(rèn)可。UTF-8、UTF-7、UTF-16都是被廣泛接受的方案。UTF-8的一個特別的好處是它與ISO-8859-1完全兼容。UTF是“UCSTransformationFormat”的縮寫。

IETF的RFC2781和RFC3629以RFC的一貫風(fēng)格，清晰、明快又不失嚴(yán)謹(jǐn)?shù)孛枋隽薝TF-16和UTF-8的編碼方法。我總是記不得IETF是InternetEngineeringTaskForce的縮寫。但I(xiàn)ETF負(fù)責(zé)維護的RFC是Internet上一切規(guī)范的基礎(chǔ)。

2.1、內(nèi)碼和codepage

目前Windows的內(nèi)核已經(jīng)采用Unicode編碼，這樣在內(nèi)核上可以支持全世界所有的語言文字。但是由于現(xiàn)有的大量程序和文檔都采用了某種特定語言的編碼，例如GBK，Windows不可能不支持現(xiàn)有的編碼，而全部改用Unicode。

Windows使用代碼頁(codepage)來適應(yīng)各個國家和地區(qū)。codepage可以被理解為前面提到的內(nèi)碼。GBK對應(yīng)的codepage是CP936。微軟也為GB18030定義了codepage：CP54936。但是由于GB18030有一部分4字節(jié)編碼，而Windows的代碼頁只支持單字節(jié)和雙字節(jié)編碼，所以這個codepage是無法真正使用的。

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(dāng)然同一行的cells只是最后一個字節(jié)不同，其余都相同。

group0的plane0被稱作BasicMultilingualPlane,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)0000-007F0xxxxxxx0080-07FF110xxxxx10xxxxxx0800-FFFF1110xxxx10xxxxxx10xxxxxx

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：1110xxxx10xxxxxx10xxxxxx。將6C49寫成二進制是：0110110001001001，用這個比特流依次代替模板中的x，得到：111001101011000110001001，即E6B189。

讀者可以用記事本測試一下我們的編碼是否正確。需要注意，UltraEdit在打開utf-8編碼的文本文件時會自動轉(zhuǎn)換為UTF-16，可能產(chǎn)生混淆。你可以在設(shè)置中關(guān)掉這個選項。更好的工具是HexWorkshop。

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(rèn)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“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(biāo)記字節(jié)順序的方法是BOM。BOM不是“BillOfMaterial”的BOM表，而是ByteOrderMark。BOM是一個有點小聰明的想法：

在UCS編碼中有一個叫做”ZEROWIDTHNO-BREAKSPACE”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”ZEROWIDTHNO-BREAKSPACE”。

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”ZEROWIDTHNO-BREAKSPACE”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”ZEROWIDTHNO-BREAKSPACE”的UTF-8編碼是EFBBBF（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EFBBBF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(biāo)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”ShortoverviewofISO-IEC10646andUnicode”(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：

“UnderstandingUnicodeAgeneralintroductiontotheUnicodeStandard”(http://scripts.sil.org/cms/scripts/page.php?site_id=nrsi&item_id=IWS-Chapter04a)”CharactersetencodingbasicsUnderstandingcharactersetencodingsandlegacyencodings”(http://scripts.sil.org/cms/scripts/page.php?site_id=nrsi&item_id=IWS-Chapter03)

附錄1再說說區(qū)位碼、GB2312、內(nèi)碼和代碼頁

有的朋友對文章中這句話還有疑問：“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。”

我再詳細(xì)解釋一下：

“GB2312的原文”是指國家1980年的一個標(biāo)準(zhǔn)《中華人民共和國國家標(biāo)準(zhǔn)信息交換用漢字編碼字符集基本集GB2312-80》。這個標(biāo)準(zhǔn)用兩個數(shù)來編碼漢字和中文符號。第一個數(shù)稱為“區(qū)”，第二個數(shù)稱為“位”。所以也稱為區(qū)位碼。1-9區(qū)是中文符號，16-55區(qū)是一級漢字，56-87區(qū)是二級漢字。現(xiàn)在Windows也還有區(qū)位輸入法，例如輸入1601得到“啊”。

內(nèi)碼是指操作系統(tǒng)內(nèi)部的字符編碼。早期操作系統(tǒng)的內(nèi)碼是與語言相關(guān)的.現(xiàn)在的Windows在內(nèi)部統(tǒng)一使用Unicode，然后用代碼頁適應(yīng)各種語言,“內(nèi)碼”的概念就比較模糊了。微軟一般將缺省代碼頁指定的編碼說成是內(nèi)碼，在特殊的場合也會說自己的內(nèi)碼是Unicode，例如在GB18030問題的處理上。

所謂代碼頁(codepage)就是針對一種語言文字的字符編碼。例如GBK的codepage是CP936，BIG5的codepage是CP950，GB2312的codepage是CP20936。

Windows中有缺省代碼頁的概念，即缺省用什么編碼來解釋字符。例如Windows的記事本打開了一個文本文件，里面的內(nèi)容是字節(jié)流：BA、BA、D7、D6。Windows應(yīng)該去怎么解釋它呢？

是按照Unicode編碼解釋、還是按照GBK解釋、還是按照BIG5解釋，還是按照ISO8859-1去解釋？如果按GBK去解釋，就會得到“漢字”兩個字。按照其它編碼解釋，可能找不到對應(yīng)的字符，也可能找到錯誤的字符。所謂“錯誤”是指與文本作者的本意不符，這時就產(chǎn)生了亂碼。

答案是Windows按照當(dāng)前的缺省代碼頁去解釋文本文件里的字節(jié)流。缺省代碼頁可以通過控制面板的區(qū)域選項設(shè)置。記事本的另存為中有一項ANSI，其實就是按照缺省代碼頁的編碼方法保存。

Windows的內(nèi)碼是Unicode，它在技術(shù)上可以同時支持多個代碼頁。只要文件能說明自己使用什么編碼，用戶又安裝了對應(yīng)的代碼頁，Windows就能正確顯示，例如在HTML文件中就可以指定charset。

有的HTML文件作者，特別是英文作者，認(rèn)為世界上所有人都使用英文，在文件中不指定charset。如果他使用了0x80-0xff之間的字符，中文Windows又按照缺省的GBK去解釋，就會出現(xiàn)亂碼。這時只要在這個html文件中加上指定charset的語句，例如：如果原作者使用的代碼頁和ISO8859-1兼容，就不會出現(xiàn)亂碼了。

再說區(qū)位碼，啊的區(qū)位碼是1601，寫成16進制是0x10,0x01。這和計算機廣泛使用的ASCII編碼沖突。為了兼容00-7f的ASCII編碼，我們在區(qū)位碼的高、低字節(jié)上分別加上A0。這樣“啊”的編碼就成為B0A1。我們將加過兩個A0的編碼也稱為GB2312編碼，雖然GB2312的原文根本沒提到這一點。

總結(jié)

以上是生活随笔為你收集整理的聊聊编码那些事——Unicode,gb2312,cp936,GBK,GB18030的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。