字符编码之ascii-unicode及utf-8

怼烎@ 2022-01-12 12:07 181阅读 0赞

转自： [https://www.cnblogs.com/daxiong2014/p/4768681.html][https_www.cnblogs.com_daxiong2014_p_4768681.html]

### 文章目录 ###

*  1. ASCII码
 *  2. 非ASCII编码
 *  3. Unicode
 *  4. Unicode的问题
 *  5. UTF-8
 *  6. Unicode与UTF-8之间的转换
 *  7. Little endian和Big endian
 *  8. 实例
 *  汉字 Unicode 编码范围
 *  延伸阅读

# 1. ASCII码 #

我们知道，在计算机内部，所有的信息最终都表示为一个二进制的字符串。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0000000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1位统一规定为0。

# 2. 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10万左右斜体样式。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256x256=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。

# 3. 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，U+0639表示阿拉伯字母Ain，U+0041表示英语的大写字母A，U+4E25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][Link 1]。

# 4. 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。  
2）unicode在很长一段时间内无法推广，直到互联网的出现。

# 5. 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和UTF-32，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**1~6**个字节表示一个符号，根据不同的符号而变化字节长度。

> 如果UNICODE字符由2个字节表示，则编码成UTF-8很可能需要3个字节。而如果UNICODE字符由4个字节表示，则编码成UTF-8可能需要6个字节。用4个或6个字节去编码一个UNICODE字符可能太多了，但很少会遇到那样的UNICODE字符。

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。

<table> 
 <thead> 
  <tr> 
   <th>Unicode符号范围</th> 
   <th align="left">UTF-8编码方式</th> 
   <th align="left">字节数</th> 
  </tr> 
 </thead> 
 <tbody> 
  <tr> 
   <td>0000 0000-0000 007F</td> 
   <td align="left">0xxxxxxx</td> 
   <td align="left">1</td> 
  </tr> 
  <tr> 
   <td>0000 0080-0000 07FF</td> 
   <td align="left">110xxxxx 10xxxxxx</td> 
   <td align="left">2</td> 
  </tr> 
  <tr> 
   <td>0000 0800-0000 FFFF</td> 
   <td align="left">1110xxxx 10xxxxxx 10xxxxxx</td> 
   <td align="left">3</td> 
  </tr> 
  <tr> 
   <td>0001 0000-001F FFFF</td> 
   <td align="left">11110xxx 10xxxxxx 10xxxxxx 10xxxxxx</td> 
   <td align="left">4</td> 
  </tr> 
  <tr> 
   <td>0020 0000-03FF FFFF</td> 
   <td align="left">111110xx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx</td> 
   <td align="left">5</td> 
  </tr> 
  <tr> 
   <td>0400 0000-7FFF FFFF</td> 
   <td align="left">1111110x 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx</td> 
   <td align="left">6</td> 
  </tr> 
 </tbody> 
</table>

下面，还是以汉字“严”为例，演示如何实现UTF-8编码。

已知“严”的unicode是4E25（100111000100101），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。

# 6. 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4E25，UTF-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。

在Windows平台下，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。  
![20190621125336791.png][]  
里面有四个选项：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，即直接用两个字节存入字符的Unicode码。这个选项用的little endian格式。

3）Unicode 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。

4）UTF-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。

# 7. Little endian和Big endian #

上一节已经提到，Unicode码可以采用UCS-2格式直接存储。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，就是Big endian方式；25在前，4E在后，就是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。

因此，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规范中定义，**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。**

# 8. 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“，观察该文件的内部编码方式。

1）ANSI：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。

2）Unicode：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。

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

4）UTF-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。

# 汉字 Unicode 编码范围 #

参考：[https://www.qqxiuzi.cn/zh/hanzi-unicode-bianma.php][https_www.qqxiuzi.cn_zh_hanzi-unicode-bianma.php]  
![20190621170917513.png][]  
Unicode 是全球文字统一编码。它把世界上的各种文字的每一个字符指定唯一编码，实现跨语种、跨平台的应用。

中文用户最常接触的是汉字 Unicode 编码。中文字符数量巨大，日常使用的汉字数量有数千个，再加上生僻字，数量达到数万个。这个表格将中文字符集的 Unicode 编码范围列出，点击字库条目可见具体字符。若要查询具体字符的编码请前往：[汉字字符集编码查询][Link 2]。

[汉字字符集编码查询][Link 2]。

[utf-8编码字符集查询][utf-8].

# 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）][The Absolute Minimum Every Software Developer Absolutely_ Positively Must Know About Unicode and Character Sets]
 *  [谈谈Unicode编码][Unicode]
 *  [RFC3629：UTF-8, a transformation format of ISO 10646（如果实现UTF-8的规定）][RFC3629_UTF-8_ a transformation format of ISO 10646_UTF-8]

[https_www.cnblogs.com_daxiong2014_p_4768681.html]: https://www.cnblogs.com/daxiong2014/p/4768681.html
[unicode.org]: http://www.unicode.org/
[Link 1]: http://www.chi2ko.com/tool/CJK.htm
[20190621125336791.png]: /images/20220109/1a500197080d419ebe796f5059d823d3.png
[https_www.qqxiuzi.cn_zh_hanzi-unicode-bianma.php]: https://www.qqxiuzi.cn/zh/hanzi-unicode-bianma.php
[20190621170917513.png]: /images/20220109/f9b9f1e93edc43638554b3685fc77d4c.png
[Link 2]: https://www.qqxiuzi.cn/bianma/zifuji.php
[utf-8]: http://www.mytju.com/classcode/tools/encode_utf8.asp
[The Absolute Minimum Every Software Developer Absolutely_ Positively Must Know About Unicode and Character Sets]: http://www.joelonsoftware.com/articles/Unicode.html
[Unicode]: http://www.pconline.com.cn/pcedu/empolder/gj/other/0505/616631.html
[RFC3629_UTF-8_ a transformation format of ISO 10646_UTF-8]: http://www.ietf.org/rfc/rfc3629.txt