电子版【转】字符编码笔记:ASCII,Unicode和UTF-8

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

今日中午,我忽然想弄清楚Unicode和UTF-8之间的干,于是便开于网上查资料。

结果,这个题目较自己想像的纷繁,从午饭后直接视晚上9点,才算是起来做明白。

下面就是自我的记,主要用来打点自己之思路。但是,我竭尽待写得通俗易懂,希望会对其他朋友出因此。毕竟,字符编码是电脑技术之基本,想如果熟练运用微机,就务须懂得一点字符编码的文化。

  1. ASCII码

俺们知道,在微机中,所有的消息最终都意味着也一个二进制的字符串。每一个二进制位(bit)有0和1简单栽状态,因此八只二进制位就好结合产生256种植状态,这叫号称一个字节(byte)。也就是说,一个字节一共可以用来代表256种植不同之状态,每一个状态对应一个记,就是256单记号,从0000000到11111111。

上个世纪60年份,美国制订了同一套字符编码,对英语字符与二进制位之间的干,做了合确定。这给称作ASCII码,一直沿用至今。

ASCII码一共规定了128独字符的编码,比如空格”SPACE”是32(二前进制00100000),大写的字母A是65(二进制01000001)。这128只标志(包括32独无可知打印出来的操纵符号),只占了一个字节的尾7各项,最前边的1位统一规定为0。

2、非ASCII编码

英语用128个号编码就足足了,但是用来表示其余语言,128只标志是不够的。比如,在法语中,字母上方有注音符号,它就是无法用ASCII码表示。于是,一些欧洲国度即控制,利用字节中压的高位编入新的号。比如,法语中的é的编码为130(二进制10000010)。这样一来,这些欧洲国度以的编码体系,可以代表最好多256个号。

而,这里而出新了初的问题。不同之国度发出两样的字母,因此,哪怕它都以256个号的编码方式,代表的字母却未同等。比如,130每当法语编码中意味了é,在希伯来语编码中可意味着了字母Gimel
(ג),在俄语编码中并且会代表任何一个记。但是无论如何,所有这些编码方式中,0–127意味着的标记是一律的,不等同的才是128–255之当即无异于段。

至于亚洲国之契,使用的号子就还多了,汉字就是差不多上10万左右。一个字节只能表示256种植标志,肯定是不够的,就务须以多独字节表达一个标记。比如,简体中文常见的编码方式是GB2312,使用有限单字节表示一个字,所以理论及最为多可表示256×256=65536独号。

汉语编码的题材要专文讨论,这首笔记不涉。这里只有指出,虽然都是因此多单字节表示一个标志,但是GB类的汉字编码与后文的Unicode和UTF-8是毫无关系的。

3.Unicode

正巧而达到平等节所说,世界上在在冒尖编码方式,同一个二进制数字可以给诠释成不同之符号。因此,要惦记打开一个文书文件,就得懂得它们的编码方式,否则用错误的编码方式解读,就会见产出乱码。为什么电子邮件时出现乱码?就是为发信人和收信人使用的编码方式不相同。

足想象,如果起同种编码,将世界上富有的标志都纳入其间。每一个标志都给一个独一无二的编码,那么乱码问题即使会烟消云散。这就算是Unicode,就比如它的名都表示的,这是一模一样栽具有符号的编码。

Unicode当然是一个怪充分之汇聚,现在之层面足以容纳100大抵万单记号。每个符号的编码还非雷同,比如,U+0639意味阿拉伯字母Ain,U+0041意味英语的可怜写字母A,U+4E25代表汉字”严”。具体的标志对应表,可以查询unicode.org,或者特别的汉字对应表。

  1. Unicode的问题

欲注意的凡,Unicode只是一个标志集,它独自规定了符的老二上前制代码,却尚未规定者二进制代码应该怎么存储。

据,汉字”严”的unicode是十六迈入制数4E25,转换成二前行制数足足有15各项(100111000100101),也就是说这个标记的代表至少要2单字节。表示其余还甚之符,可能要3独字节或者4独字节,甚至又多。

这里就是发生少只重的题目,第一只问题是,如何才能够分别Unicode和ASCII?计算机怎么掌握老三单字节表示一个符号,而不是个别代表三只标志为?第二独问题是,我们已明白,英文字母只所以一个字节表示即足够了,如果Unicode统一规定,每个符号用三只或四独字节表示,那么每个英文字母前都得有次交三单字节是0,这对于仓储来说是翻天覆地的荒废,文本文件的深浅会为此大出二三倍,这是力不从心接受的。

其造成的结果是:1)出现了Unicode的余囤方,也就是说有许多种不同的第二上制格式,可以据此来代表Unicode。2)Unicode在大丰富一段时间内无法推广,直到互联网的面世。

5.UTF-8

互联网的推广,强烈要求出现雷同种统一的编码方式。UTF-8就是于互联网及行使最广大的一样种植Unicode的落实方式。其他实现方式还包UTF-16(字符用有限只字节或四只字节表示)和UTF-32(字符用四独字节表示),不过以互联网及着力不用。重复相同整个,这里的关联是,UTF-8凡Unicode的兑现方式有。

UTF-8最酷之一个风味,就是它是同栽变长的编码方式。它可行使1~4个字节表示一个号,根据不同的记号而变化字节长度。

UTF-8的编码规则不行简短,只来第二长长的:

1)对于单字节的符,字节的率先员而为0,后面7位为是标记的unicode码。因此对此英语字母,UTF-8编码和ASCII码是如出一辙的。

2)对于n字节之标记(n>1),第一单字节的前头n位都要为1,第n+1位设为0,后面字节的先头少号一律要为10。剩下的远非提及的二进制位,全部也这标记的unicode码。

下表总结了编码规则,字母x表示可用编码的各项。

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各是0,则是字节单独就是一个字符;如果第一员是1,则连发多少个1,就意味着目前字符占用小只字节。

下面,还是因为汉字”严”为条例,演示如何兑现UTF-8编码。

既掌握”严”的unicode是4E25(100111000100101),根据上表,可以发现4E25处于第三尽的限量外(0000
0800-0000 FFFF),因此”严”的UTF-8编码需要三单字节,即格式是”1110xxxx
10xxxxxx
10xxxxxx”。然后,从”严”的结尾一个二进制位开始,依次从晚上填入格式中的x,多出底各补0。这样便得了,”严”的UTF-8编码是”11100100
10111000 10100101″,转换成十六进制就是E4B8A5。

  1. Unicode以及UTF-8之间的易

经过上一样节省的事例,可以望”严”的Unicode码是4E25,UTF-8编码是E4B8A5,两者是未均等的。它们中间的易可以经过程序实现。

每当Windows平台下,有一个太简易的转发方法,就是以内置的记事本小程序Notepad.exe。打开文件后,点击”文件”菜单中之”另存也”命令,会跳出一个会话框,在最为底部有一个”编码”的下拉条。

电子版 1

内来四个挑选:ANSI,Unicode,Unicode big endian 和 UTF-8。

1)ANSI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)。

2)Unicode编码指的是UCS-2编码方式,即直接用少单字节存入字符的Unicode码。这个选项用之little
endian格式。

3)Unicode big endian编码与达一个抉择相呼应。我在生一样节省会分解little
endian和big endian的涵义。

4)UTF-8编码,也尽管是达一样省谈到的编码方法。

择结束”编码方式”后,点击”保存”按钮,文件的编码方式就应声转换好了。

  1. Little endian和Big endian

上一节曾经关系,Unicode码可以采用UCS-2格式直接存储。以汉字”严”为条例,Unicode码是4E25,需要为此简单只字节存储,一个字节是4E,另一个字节是25。存储的时,4E以前,25于晚,就是Big
endian方式;25当前面,4E于后,就是Little endian方式。

即时有限个奇特的名称来英国文学家斯威夫就的《格列佛游记》。在该书中,小人国里爆发了内战,战争起因是人人争论,吃鸡蛋时究竟是从大洋(Big-Endian)敲起要由小头(Little-Endian)敲起。为了及时件业务,前后爆发了六蹩脚大战,一个王送了命令,另一个上丢了王位。

之所以,第一单字节在前方,就是”大头方式”(Big
endian),第二只字节在眼前就是是”小头方式”(Little endian)。

这就是说好自然之,就见面现出一个题目:计算机怎么知道某一个文本到底下哪一样种植方法编码?

Unicode规范被定义,每一个文件的极度前头分别参加一个代表编码顺序的字符,这个字符的名字叫做”零升幅非换行空格”(ZERO
WIDTH NO-BREAK SPACE),用FEFF表示。这刚刚是鲜单字节,而且FF比FE大1。

设一个文本文件的头半单字节是FE
FF,就象征该公文采用大头方式;如果头半个字节是FF
FE,就意味着该文件采用小头方式。

  1. 实例

脚,举一个实例。

开拓”记事本”程序Notepad.exe,新建一个文本文件,内容就是是一个”严”字,依次使用ANSI,Unicode,Unicode
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”,观察该文件的其中编码方式。

1)ANSI:文件之编码就是少数只字节”D1
CF”,这多亏”严”的GB2312编码,这为暗示GB2312是采取大头方式囤的。

2)Unicode:编码是四个字节”FF FE 25 4E”,其中”FF
FE电子版”表明是小头方式囤,真正的编码是4E25。

3)Unicode big endian:编码是四个字节”FE FF 4E 25″,其中”FE
FF”表明是大头方式囤。

4)UTF-8:编码是六单字节”EF BB BF E4 B8 A5″,前三只字节”EF BB
BF”表示马上是UTF-8编码,后三独”E4B8A5″就是”严”的有血有肉编码,它的囤积顺序和编码顺序是平的。

  1. 延阅读

* The Absolute Minimum Every Software Developer Absolutely, Positively
Must Know About Unicode and Character
Sets(关于字符集的极端基本知识)

* 谈谈Unicode编码

* RFC3629:UTF-8, a transformation format of ISO
10646(如果实现UTF-8的规定)

(完)

 

相关文章