【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

今天中午,我恍然想抓清楚Unicode和UTF-8之间的涉及,于是便起来于网上查看资料。

结果,这个题材比自己设想的扑朔迷离,从午饭后直视晚上9点,才算是起来做明白。

下就是自己的记,主要用来打点自己之笔触。但是,我尽量待写得通俗易懂,希望能对其它朋友来因此。毕竟,字符编码是计算机技术之木本,想只要烂熟使用电脑,就务须理解一点字符编码的学问。

  1. ASCII码

咱理解,在电脑中,所有的信最终还代表也一个二进制的字符串。每一个二进制位(bit)有0和1鲜种植状态,因此八只二进制位就足以构成出256栽状态,这为称呼一个字节(byte)。也就是说,一个字节一共可以用来代表256栽不同之状态,每一个状态对应一个标记,就是256个号,从0000000到11111111。

上个世纪60年间,美国制订了扳平法字符编码,对英语字符与二进制位之间的涉及,做了统一确定。这叫号称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只无克打印出的决定符号),只占了一个字节的末尾7各类,最前头的1位统一确定为0。

2、非ASCII编码

英语用128只记编码就够用了,但是之所以来代表其余语言,128单记号是不够的。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,一些欧洲国家就是决定,利用字节中按的万丈位编入新的记。比如,法语中的é的编码为130(二进制10000010)。这样一来,这些欧洲江山采取的编码体系,可以代表极度多256独记。

然,这里还要冒出了初的题材。不同的国家产生异之假名,因此,哪怕它还利用256独记的编码方式,代表的假名却不一致。比如,130于法语编码中表示了é,在希伯来语编码中倒表示了许母Gimel
(ג),在俄语编码中还要会代表任何一个符号。但是无论如何,所有这些编码方式中,0–127表示的号子是一样的,不一致的单是128–255底立刻同截。

有关亚洲国度的仿,使用的符号就再多了,汉字就是基本上上10万左右。一个字节只能表示256栽标志,肯定是不够的,就务须运用多独字节表达一个号。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中国字,所以理论及最多可代表256×256=65536独号。

中文编码的问题用专文讨论,这首笔记不干。这里就指出,虽然还是因此多单字节表示一个符号,但是GB类的汉字编码与后文的Unicode和UTF-8是毫无关系的。

3.Unicode

凑巧使齐亦然省所说,世界上存在冒尖编码方式,同一个二进制数字可以叫诠释成不同的号子。因此,要想打开一个文本文件,就必明白她的编码方式,否则用错误的编码方式解读,就会油然而生乱码。为什么电子邮件时出现乱码?就是因发信人和收信人使用的编码方式不一样。

可以想像,如果来相同种植编码,将世界上有的号都纳入其中。每一个记都予以一个旷世之编码,那么乱码问题即会见没有。这便是Unicode,就像其的名字还意味的,这是均等种具有符号的编码。

Unicode当然是一个非常酷的成团,现在的框框足以包容100多万单记号。每个符号的编码还非同等,比如,U+0639象征阿拉伯字母Ain,U+0041象征英语的特别写字母A,U+4E25代表汉字”严”。具体的记号对应表,可以查询unicode.org,或者特别的汉字对应表。

  1. Unicode的问题

欲注意的是,Unicode只是一个号集,它独自规定了号的老二向前制代码,却并未规定者二进制代码应该什么存储。

仍,汉字”严”的unicode是十六上制数4E25,转换成二向前制数足足有15号(100111000100101),也就是说这个标记的意味至少需要2单字节。表示其余还充分之符号,可能用3独字节或者4个字节,甚至更多。

这边就产生些许只重的问题,第一独问题是,如何才会分Unicode和ASCII?计算机怎么知道老三只字节表示一个记,而休是各自表示三个号为?第二个问题是,我们曾了解,英文字母只所以一个字节表示虽够用了,如果Unicode统一确定,每个符号用三个或四单字节表示,那么每个英文字母前都必产生第二交三独字节是0,这对仓储来说是庞大的浪费,文本文件的分寸会用大出二三倍,这是力不从心接受的。

她造成的结果是:1)出现了Unicode的又囤方,也就是说有许多种不同的老二上制格式,可以用来代表Unicode。2)Unicode在挺丰富一段时间内无法放开,直到互联网的面世。

5.UTF-8

互联网的推广,强烈要求出现同样栽统一的编码方式。UTF-8就是于互联网及使最普遍的如出一辙种Unicode的落实方式。其他实现方式还包UTF-16(字符用鲜只字节或四只字节表示)和UTF-32(字符用四独字节表示),不过在互联网及基本不用。重复雷同总体,这里的涉嫌是,UTF-8凡是Unicode的贯彻方式有。

UTF-8最充分的一个特色,就是她是一模一样种变长的编码方式。它好采取1~4单字节表示一个标记,根据不同之符号而变化字节长度。

UTF-8的编码规则不行简单,只发生第二条:

1)对于单字节的记,字节的率先各类而为0,后面7各项吗是标记的unicode码。因此对英语字母,UTF-8编码和ASCII码是平等的。

2)对于n字节之符(n>1),第一独字节的面前n位都使为1,第n+1位设为0,后面字节的前少个一律要为10。剩下的无提及的二进制位,全部乎这标记的unicode码。

下表总结了编码规则,字母x表示可用编码的各类。

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。如果一个字节的首先号是0,则是字节单独就是一个字符;如果第一各项是1,则连接发出稍许只1,就代表目前字符占用小个字节。

脚,还是以汉字”严”为例,演示如何实现UTF-8编码。

早已领略”严”的unicode是4E25(100111000100101),根据上表,可以窥见4E25远在第三执之限外(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”的最终一个二进制位开始,依次从后上填入格式中之x,多发生的各项补0。这样即使得到了,”严”的UTF-8编码是”11100100
10111000 10100101″,转换成为十六进制就是E4B8A5。

  1. Unicode及UTF-8之间的变换

通过上亦然省之例子,可以望”严”的Unicode码是4E25,UTF-8编码是E4B8A5,两者是不一样的。它们之间的变换可以经过程序实现。

以Windows平台下,有一个不过简单易行的中转方法,就是动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,在尽底部有一个”编码”的下拉条。

图片 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编码指的凡UCS-2编码方式,即直接用有限只字节存入字符的Unicode码。这个选项用之little
endian格式。

3)Unicode big endian编码与达一个挑选相对应。我于产一致节会说little
endian和big endian的涵义。

4)UTF-8编码,也尽管是高达同样节约谈到之编码方法。

分选收”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。

  1. Little endian和Big endian

上一节早就涉嫌,Unicode码可以应用UCS-2格式直接存储。以汉字”严”为例,Unicode码是4E25,需要用单薄单字节存储,一个字节是4E,另一个字节是25。存储的下,4E在面前,25每当后,就是Big
endian方式;25在前,4E在继,就是Little endian方式。

随即半只奇怪的名号来英国女作家斯威夫就的《格列佛游记》。在该书被,小人国里爆发了内战,战争起因是众人争论,吃鸡蛋时到底是自大洋(Big-Endian)敲起还是从小头(Little-Endian)敲起。为了这桩工作,前后爆发了六破乱,一个国王送了令,另一个君主丢了王位。

故此,第一个字节在前头,就是”大头方式”(Big
endian),第二只字节在头里便是”小头方式”(Little endian)。

那坏当然的,就会现出一个题材:计算机怎么理解某一个文书到底以哪一样栽方式编码?

Unicode规范中定义,每一个文本的不过前方分别在一个意味编码顺序的字符,这个字符的名字叫”零涨幅非换行空格”(ZERO
WIDTH NO-BREAK SPACE),用FEFF表示。这正好是少数独字节,而且FF比FE大1。

而一个文件文件之条片单字节是FE
FF,就象征该公文采用大头方式;如果头片单字节是FF
FE,就象征该公文采用小头方式。

  1. 实例

下,举一个实例。

开拓”记事本”程序Notepad.exe,新建一个文件文件,内容即是一个”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”,观察该文件的内编码方式。

1)ANSI:文件之编码就是鲜单字节”D1
CF”,这多亏”严”的GB2312编码,这为暗示GB2312是应用大头方式囤的。

2)Unicode:编码是四只字节”FF FE 25 4E”,其中”FF
FE”表明是小头方式囤,真正的编码是4E25。

3)Unicode big endian:编码是四独字节”FE FF 4E 25″,其中”FE
FF”表明是大洋方式囤。

4)UTF-8:编码是六个字节”EF BB BF E4 B8 A5″,前三单字节”EF BB
BF”表示马上是UTF-8编码,后三只”E4B8A5″就是”严”的有血有肉编码,它的囤顺序及编码顺序是一致的。

  1. 延伸阅读

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

* 谈谈Unicode编码

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

(完)

 

相关文章