字符编码笔记

原址: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

前天早晨,我突然想搞清楚Unicode和UTF-8之间的涉嫌,于是就初阶在网上查资料。

结果,那几个标题比我设想的繁杂,从午饭后直接看到中午9点,才算起来搞领悟。

下边就是自家的笔记,紧要用来收拾自身的思路。可是,我尽量试图写得通俗易懂,希望能对任何朋友有用。毕竟,字符编码是电脑技术的木本,想要熟谙使用统计机,就务须领会一点字符编码的文化。

  1. ASCII码

大家精晓,在电脑内部,所有的新闻最后都代表为一个二进制的字符串。每种二进制位(bit)有0和1二种情况,由此两个二进制位就足以构成出256种情况,那被称呼一个字节(byte)。也就是说,一个字节一共可以用来代表256种分裂的情状,各个景观对应一个标志,就是256个记号,从0000000到11111111。

上个世纪60年间,美利哥制定了一套字符编码,对塞尔维亚(Република Србија)语字符与二进制位之间的关系,做了联合确定。那被称之为ASCII码,一贯沿用至今。

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)。那128个标志(包涵32个不大概打印出来的决定符号),只占用了一个字节的背后7位,最前头的1位统一规定为0。

2、非ASCII编码

丹麦语用128个标志编码就够了,不过用来代表其他语言,128个记号是不够的。比如,在塞尔维亚语中,字母上方有注音符号,它就不或然用ASCII码表示。于是,一些南美洲国家就控制,利用字节中不了了之的参天位编入新的记号。比如,丹麦语中的é的编码为130(二进制10000010)。那样一来,那些南美洲国家利用的编码种类,能够象征最多256个记号。

而是,那里又出现了新的题材。区其他国度有两样的假名,由此,哪怕它们都利用256个记号的编码情势,代表的字母却不均等。比如,130在西班牙语编码中代表了é,在塞尔维亚语编码中却代表了字母Gimel
(ג),在希伯来语编码中又会意味着另一个标志。不过无论如何,所有这几个编码格局中,0–127表示的号子是平等的,不等同的只是128–255的这一段。

至于北美洲国家的文字,使用的记号就更加多了,汉字就多达10万左右。一个字节只好表示256种标志,肯定是不够的,就无法不运用多个字节表明一个标记。比如,简体中文常见的编码格局是GB2312,使用五个字节表示一个汉字,所以理论上最多可以表示256×256=65536个记号。

汉语编码的题材需要专文研究,那篇笔记不涉及。那里只指出,就算都是用七个字节表示一个标志,不过GB类的汉字编码与后文的Unicode和UTF-8是毫非亲非故系的。

3.Unicode

正如上一节所说,世界上设有着冒尖编码方式,同一个二进制数字可以被分解成区其余标记。由此,要想打开一个文件文件,就必须清楚它的编码格局,否则用错误的编码方式解读,就会油然则生乱码。为何电子邮件经常出现乱码?就是因为发信人和收信人使用的编码格局不均等。

可以设想,假设有一种编码,将世界上所有的记号都纳入其间。逐个符号都给以一个无比的编码,那么乱码难题就会熄灭。这就是Unicode,就像是它的名字都表示的,那是一种具有符号的编码。

Unicode当然是一个很大的集纳,现在的范畴足以包容100多万个标志。每一种符号的编码都不一致,比如,U+0639代表阿拉伯字母Ain,U+0041代表斯洛伐克(Slovak)语的大写字母A,U+4E25表示汉字”严”。具体的记号对应表,可以查询unicode.org,或然特其他汉字对应表

  1. Unicode的问题

亟待留意的是,Unicode只是一个标记集,它只规定了符号的二进制代码,却尚未确定这一个二进制代码应该怎么存储。

诸如,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),也就是说那一个标记的表示至少必要2个字节。表示其他更大的号子,恐怕需求3个字节恐怕4个字节,甚至越多。

那里就有五个沉痛的难点,第四个难点是,怎么着才能分别Unicode和ASCII?总结机怎么精晓多个字节表示一个符号,而不是各自表示七个记号呢?第一个难点是,我们已经了然,英文字母只用一个字节表示就够了,假若Unicode统一规定,逐个符号用两个或三个字节表示,那么每种英文字母前都必然有二到多少个字节是0,这对于仓储来说是大幅度的荒废,文本文件的分寸会就此大出二三倍,这是无能为力接受的。

它们造成的结果是:1)出现了Unicode的各个存储格局,也就是说有不少种区其他二进制格式,能够用来表示Unicode。2)Unicode在非常长一段时间内不能推广,直到网络的出现。

5.UTF-8

互联网的普及,强烈须求出现一种统一的编码方式。UTF-8就是在互连网上运用最广的一种Unicode的兑现方式。其余落成格局还包含UTF-16(字符用多个字节或多个字节表示)和UTF-32(字符用四个字节表示),不过在互连网上基本不用。重复四回,那里的关系是,UTF-8是Unicode的落到实处格局之一。

UTF-8最大的一个天性,就是它是一种变长的编码格局。它可以采取1~4个字节表示一个标志,根据差别的记号而变化字节长度。

UTF-8的编码规则很粗略,唯有二条:

1)对于单字节的记号,字节的第二位设为0,前边7位为那么些标记的unicode码。因而对于土耳其语字母,UTF-8编码和ASCII码是均等的。

2)对于n字节的符号(n>1),第四个字节的前n位都设为1,第n+1位设为0,前边字节的前两位一律设为10。剩下的尚未提及的二进制位,全体为这些标记的unicode码。

国家地理,下表总计了编码规则,字母x表示可用编码的位。

Unicode符号范围 | UTF-8编码形式
(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编码格外简单。若是一个字节的首位是0,则这么些字节单独就是一个字符;就算首位是1,则连接有稍许个1,就象征近期字符占用多少个字节。

上边,依旧以汉字”严”为例,演示如何落成UTF-8编码。

已知”严”的unicode是4E25(100111000100101),依据上表,可以发现4E25高居第三行的范围内(0000
0800-0000 FFFF),因此”严”的UTF-8编码必要三个字节,即格式是”1110xxxx
10xxxxxx
10xxxxxx”。然后,从”严”的末梢一个二进制位先导,依次从后迈入填入格式中的x,多出的位补0。那样就获得了,”严”的UTF-8编码是”11100100
10111000 10100101″,转换成十六进制就是E4B8A5。

  1. Unicode与UTF-8之间的更换

经过上一节的例子,可以看出”严”的Unicode码是4E25,UTF-8编码是E4B8A5,两者是不等同的。它们中间的变换可以经进程序完成。

在Windows平台下,有一个最简便的转账方法,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。

国家地理 1

其间有七个挑选:ANSI,Unicode,Unicode big endian 和 UTF-8。

1)ANSI是默许的编码方式。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,如若是繁体粤语版会拔取Big5码)。

2)Unicode编码指的是UCS-2编码格局,即直接用八个字节存入字符的Unicode码。这几个选项用的little
endian格式。

3)Unicode big endian编码与上一个精选相对应。我在下一节会解释little
endian和big endian的涵义。

4)UTF-8编码,也就是上一节谈到的编码方法。

挑选完”编码方式”后,点击”保存”按钮,文件的编码格局就马上转换好了。

  1. Little endian和Big endian

上一节曾经涉嫌,Unicode码可以动用UCS-2格式直接存储。以汉字”严”为例,Unicode码是4E25,需求用三个字节存储,一个字节是4E,另一个字节是25。存储的时候,4E在前,25在后,就是Big
endian形式;25在前,4E在后,就是Little endian形式。

那多少个奇特的名号来自United Kingdom女小说家斯维夫特的《格列佛游记》。在该书中,小人国里暴发了内战,战争起因是人人顶牛,吃鸡蛋时终究是从大头(Big-Endian)敲开依旧从小头(Little-Endian)敲开。为了那件工作,前后暴发了六次大战,一个皇上送了命,另一个主公丢了皇位。

据此,第四个字节在前,就是”大头格局”(Big
endian),第三个字节在前就是”小头方式”(Little endian)。

那就是说很自然的,就会现出一个难题:计算机怎么知道某一个文本到底接纳哪一类形式编码?

Unicode规范中定义,每个文本的最前边分别投入一个意味编码顺序的字符,那么些字符的名字叫做”零升幅非换行空格”(ZERO
WIDTH NO-BREAK SPACE),用FEFF表示。那刚好是多个字节,而且FF比FE大1。

假诺一个文件文件的头三个字节是FE
FF,就表示该公文选取大头形式;借使头八个字节是FF
FE,就代表该文件拔取小头方式。

  1. 实例

下边,举一个实例。

开辟”记事本”程序Notepad.exe,新建一个文件文件,内容就是一个”严”字,依次使用ANSI,Unicode,Unicode
big endian 和 UTF-8编码情势保存。

接下来,用文本编辑软件UltraEdit中的”十六进制成效”,观看该公文的内部编码格局。

1)ANSI:文件的编码就是八个字节”D1
CF”,那多亏”严”的GB2312编码,那也暗示GB2312是利用大头方式存储的。

2)Unicode:编码是七个字节”FF FE 25 4E”,其中”FF
FE”表明是小头形式存储,真正的编码是4E25。

3)Unicode big endian:编码是七个字节”FE FF 4E 25″,其中”FE
FF”注明是大头方式存储。

4)UTF-8:编码是多个字节”EF BB BF E4 B8 A5″,前多少个字节”EF BB
BF”表示那是UTF-8编码,后多个”E4B8A5″就是”严”的有血有肉编码,它的仓储顺序与编码顺序是同等的。

  1. 拉开阅读

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

RFC3629:UTF-8, a transformation format of ISO
10646
(如若落成UTF-8的规定)

(完)

 

相关文章