两学一做网站专栏,哪个平台可以定制衣服,一个网站同时做百度和360推广吗,制作网站吗转#xff1a; http://www.ruanyifeng.com/blog/2007/10/ascii_unicode_and_utf-8.html 作者#xff1a; 阮一峰
日期#xff1a; 2007年10月28日
今天中午#xff0c;我突然想搞清楚 Unicode 和 UTF-8 之间的关系#xff0c;就开始查资料。
这个问题比我想象的复杂 http://www.ruanyifeng.com/blog/2007/10/ascii_unicode_and_utf-8.html 作者 阮一峰
日期 2007年10月28日
今天中午我突然想搞清楚 Unicode 和 UTF-8 之间的关系就开始查资料。
这个问题比我想象的复杂午饭后一直看到晚上9点才算初步搞清楚。
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。
一、ASCII 码
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0和1两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。
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。
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。
二、非 ASCII 编码
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。
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。
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。
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。
三. Unicode
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。
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。
Unicode 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U0639表示阿拉伯字母AinU0041表示英语的大写字母AU4E25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。
四、Unicode 的问题
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。
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。
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。
它们造成的结果是1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。2Unicode 在很长一段时间内无法推广直到互联网的出现。
五、UTF-8
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。
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。
UTF-8 的编码规则很简单只有二条
1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。
2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。
下表总结了编码规则字母x表示可用编码的位。 Unicode符号范围 | UTF-8编码方式
(十六进制) | 二进制
-------------------------------------------------------------------
0000 0000-0000 007F | 0xxxxxxx
0000 0080-0000 07FF | 110xxxxx 10xxxxxx
0000 0800-0000 FFFF | 1110xxxx 10xxxxxx 10xxxxxx
0001 0000-0010 FFFF | 11110xxx 10xxxxxx 10xxxxxx 10xxxxxx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。
下面还是以汉字严为例演示如何实现 UTF-8 编码。
严的 Unicode 是4E25100111000100101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。
六、Unicode 与 UTF-8 之间的转换
通过上一节的例子可以看到严的 Unicode码 是4E25UTF-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。
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。 里面有四个选项ANSIUnicodeUnicode big endian和UTF-8。
1ANSI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。
2Unicode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。
3Unicode 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。
4UTF-8编码也就是上一节谈到的编码方法。
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。
七、Little endian 和 Big endian
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。
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。
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。
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
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。
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。
八、实例
下面举一个实例。
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ANSIUnicodeUnicode big endian和UTF-8编码方式保存。
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。
1ANSI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。
2Unicode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。
3Unicode 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。
4UTF-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。
九、延伸阅读
The Absolute Minimum Every Software Developer Absolutely, Positively Must Know About Unicode and Character Sets关于字符集的最基本知识谈谈Unicode编码RFC3629UTF-8, a transformation format of ISO 10646如果实现UTF-8的规定
完
文档信息
