字符编码的前世今生——一文读懂字符编码

你的名字 2022-01-21 06:51 372阅读 0赞

### 文章目录 ###

*   *  编码从故事说起
     *  计算机的字符编码
     *   *  ASCII 码表
         *  GB2312 ——中国人自己的编码表
         *  GBK 编码
         *  GB18030
         *  其他编码
         *   *  ISO-8859-1
             *  Shift\_JIS 和 Big5
         *  UCS
         *  Unicode
         *  整合
         *  UTF-16、UTF-32、UTF-8
         *   *  UTF-16
             *  UTF-32
             *  UTF-8
             *   *  什么是带BOM的UTF-8?
     *  字符编码与编程
     *  欢迎关注我的公众号：编程之路从0到1

## 编码从故事说起 ##

> 关于计算机的字符编码，很多人都是一知半解的，笔者遇到过做了几年开发的程序员，还是说不清字符编码是什么，乱码又是怎么回事，实际上笔者早期也说不清个所以然，后来有一次做一个自己的app，期初用Java写了一个二进制字典文件的解析器，但是在性能和内存使用方面不甚满意，那时候安卓手机配置还比较低，但是一个外语字典动辄一两百M，所以我又将关键解析部分的代码用C语言重写了一遍，再使用JNI去调用，这时候就遇到了前所未有的大坑，因为一直写Java、Python这类高级语言，这类语言屏蔽了很多二进制流编解码的问题，往往一个函数就能直接将二进制字节转为想要的字符串，而C语言则麻烦得多，当时需要被解析的字典文件编码根本不确定，有的是GBK，有的是UTF-16，甚至还有ISO编码等等，经此一事，查遍资料，最终成功的解决了问题，同时也让我对字符编码问题有了深入理解。这也让我明白了一个道理，不懂C语言的程序员根本不懂计算机，因此我一直推崇程序员要会C语言，否则成不了高手，你会缺乏遇到问题透过现象直指本质的能力。

要说这个字符编码，咱们首先得讲一个故事，帮助不同基础的人理解。

话说六年级二班有小明、小红两位同学，最近班上开了英语课，学着学着有些无聊，这时候小明想给小红传纸条，但是又担心被发现，突然小明灵机一动，在草纸上写下了一串数字`12 9 11 5 21`，然后就传给了小红，小红看了一眼莫名其妙，这时候小明冲着小红指了指自己英语书后面的字母表，小红看了几眼字母表，顿时明白过来，原来字母表上面有编号，小红按照编号，将这一串数字转换出来，得到的是`like u`，羞得小红脸色发红，这可真成了“小红”……

这之后小明、小红经常玩这种传纸条的游戏，可是有一次纸条掉到地上，让旁边的狗蛋同学捡到了，起初狗蛋不明所以，可是渐渐的狗蛋同学居然看出了门道，毕竟联想到他们天天翻的字母表，很容易就破解了，狗蛋同学不知道哪来的一股无名火，存心搞个恶作剧，于是冒充小明同学，也用这种方式写了些内容传给小红，这可倒好，气得小红扭过头不理小明同学了。下课后，小明好说歹说才把事情解释清楚，小明又想，传纸条还得把规则弄复杂一点，只有自己两个知道，别人都破解不了，于是小明小红约定，在原来字母表编号的基础上，做一个简单变换，公式是乘2加7，例如原来的`12`对应字母`l`，那么现在要先计算，12\*2+7就是31，对方收到后再做一次逆运算，那就是(31-7)/2

从这之后，小明小红的纸条再没被人破解过，与此同时，六年级二班兴起一股玩传纸条游戏的风，到后来，不仅仅是对字母编号，还把常用的几十个字也做了编号，编号从26之后开始排，因为要保留前面26个字母。可是班上的小团体，各有各的计算规则，有的是把字母表编号做加2变化，有的是做加5，这样一来相互之间都解不出来，有的强行按照自己的规则解出来是错乱的，有的根本解不出来……

以上故事中，我们把字母或汉字转换成对应的一串数字的过程，就是所谓**编码**，再将数字恢复成原来内容的过程，也就是所谓的**解码**。一旦编码和解码的方式不一致，就会产生我们常见的**乱码**。对于编码、解码和乱码三个概念，相信大家已经有了一个本质的理解了。其实这一点我们在谍战剧中也经常见到，假设地下党约定用新华字典做密码，密文是110页第3行第5个字，结果你用康熙字典去解码，翻到110页第2行第5个字，那肯定就乱码了。

## 计算机的字符编码 ##

现在回到计算机世界的字符编码问题，要弄清楚计算机字符编码问题，咱们还得继续讲故事。

在计算机中，一切数据都是以二进制的形式存在，对于我们人类而言，二进制是比较难以理解的，人类最容易理解的是十进制，但是二进制转十进制也非常方便，这样一来，我们其实可以把计算机存储的数据简单理解为一些数字。

既然计算机只能存数字，那我们电脑里面存的文档又是怎么回事呢，文字字符这些是怎么来的？其实这个也很好理解，这就像我们一开始讲的小明小红的故事一样，我们只需要给每个字符一个编号，计算机不是只能存数字吗，那就把这个编号存起来，当我们需要显示的时候，再去解码，让显示器把这个编号转换成对应的字符显示到屏幕上就行了。

在小明小红的故事中，编码的目的是为了加密，不让其他人知道密文的意思，而计算机编码的目的则是因为它只能保存数字。

### ASCII 码表 ###

现在我们理解了字符和编号之间的一一对应的关系，那就只需要制作一份表格，将每个字符都进行编号，保证每个字符编号的唯一性，这样就彻底解决了让计算处理字符的问题。

不错，业界前辈们也是这个思路，于是在 20 世纪 60 年代，美国人就制作了一张这样的表，被称为`ASCII` 码(American Standard Code for Information Interchange，美国信息互换标准编码)表

![15221845-bc9bef48e05541a08508315d04d543ef.jpg][]

该表编号从0~127，总共表示了128个字符。这个表不仅将26个字母的大小写字符都包含进去了，还包含了很多其他的老美们认为常用的字符，这才凑够了128个，为什么要凑够128呢？这又是另一个故事了，我们知道计算机中是二进制，那个年代，硬件非常差，为了节省空间，他们规定只用一个字节保存字符的编号，那么一个字节是多大？一个字节就是8位二进制，最高位是符号位，所以7位有效，那最大也就是2的7次方，正好就是128。如果对字节不是很理解，只需把它当作一个容量大小单位即可，比如我们常说的U盘多少M，文件多少K就是这个东西，1K就是等于1024个字节大小。关于二进制的知识，请阅读我的另一篇文章。

ASCII 码表被发明之后，老美认为完美了，毕竟计算机是美国人发明的，他们当时哪去管世界上其他国家的文字。在整个欧洲的拉丁语系中，没有一种语言的字母会超过128个，所以当时看确实是足够了。后来计算机在全世界的范围内得到了极大发展和普及，可是计算机却只能使用英语，人们不能使用自己的母语，曾经中国人一度怀疑中文的缺陷，甚至担忧继续使用中文不能进入信息化时代，因为当年中文是不能录入计算机的。

### GB2312 ——中国人自己的编码表 ###

这些问题毕竟难不倒聪明人，既然一个字节表示的范围太小，那我们中文可以用两个字节表示嘛，一个字节8位。两个字节就是16位，能表示的最大范围是2的15次方，十进制就是32768，能表示3万多汉字呢，这样一来，我们就解决了计算机表示中文的问题。

最早制定的编码方案称做`GB2312`编码，全称叫做`《信息交换用汉字编码字符集》`，它是国家标准总局1980年发布的。当年考虑得非常不充分，`GB2312`编码仅仅只收录了6763个汉字和中文标点符号等等之类的图形符号682个。经历过的人应该都体会过，自己的名字在电脑里打不出来的痛苦，政府办事，银行开户等等，要怪就怪这些制定标准的老爷们，常用汉字就有七千多个，六千多汉字怎么可能够用嘛。

我们来看看中文编码的缺陷，那就是比英语更占空间。简单算一算，一个汉字占两个字节，那么1K空间，只能存512个字，而1K空间可以存1024个英语字母。

中国人虽然发明了自己的编码表，但是也不敢完全自己玩，还是得跟美国人接轨的，这就体现在GB2312兼容`ASCII`码表上，简单说，就是`ASCII`码表中0~127的编号得保留下来，中文得从后面的编号开始排。

### GBK 编码 ###

`GB2312`编码表是真的不够用啊，随着计算机在各行业内的应用，汉字不够用的窘迫也日益突出，最终在1995年12月1日制定了`GBK`编码，全称《汉字内码扩展规范》。它在`GB2312`的基础上收录了21003个汉字。

因此，GBK编码是包含`GB2312`的，当我们需要指明解码方式时，完全可以使用`GBK`代替`GB2312`，也就是说我们可以忘掉`GB2312`了。

要查看GBK编码表的内容，可访问 [**GBK编码表**][GBK]，亦可查看微软的 [page 936表][page 936]，GBK在Windows中使用`page 936`表示。

### GB18030 ###

在GBK之后，我国又推出了GB18030-2000和GB18030-2005，分别在2000年和2005年发布。它支持`ISO`国际标准，即 `Universal Multilpe-Octet Coded Character Set`（简称`UCS`）

关于支持`ISO`国际标准这个事，我们得好好说道说道。很多人写的博客资料在这一块都是一笔带过，大概是摘抄的，自己也没弄清楚是怎么回事，然而这是一个关键点。

### 其他编码 ###

这个故事呢，还得从ASCII码之后的国际形式开始说。话说美国人制定了ASCII码之后，其他国家也日益觉察到计算机的重要意义，都在琢磨着如何将自己的母语录入到计算机。

#### ISO-8859-1 ####

最简单的当然是欧洲啦，毕竟不管是欧洲哪国语言，字母都不会太多，于是就有了西欧字符集`ISO-8859-1`。这个`ISO-8859-1`编码当然也是兼容ASCII码的，所以它的编号也只能从127之后开始排。但是欧洲人想，咱们欧洲字母那么少，不可能用两个字节去存吧，太浪费了，于是开动脑筋，使用无符号8位二进制，一个字节8位，通常只有7位是有效位，但是字符编码，不可能有负数啊，只需要正数就行了，于是将8位都变成有效位，能表示的范围瞬间提升了，最大能表示2的8次方减1，那就是255，255-127是128，也就是说`ISO-8859-1`除去ASCII码的127个字符，还能存128个欧洲字符。该字符集能支持大部分于欧洲语言，以及欧洲之外的南非荷兰语、斯瓦希里语、印尼语、马来语等。

#### Shift\_JIS 和 Big5 ####

当然，日本人也发明了自己的编码表，用以显示日文，同样也会兼容ASCII码，这就是`Shift_JIS`编码，而港台地区使用繁体中文，也制作了自己的编码表，称为`Big5`编码。

各个都做了自己的编码表，但是在互联网时代却出现最尴尬的一幕，那就是无法互通。以前都是单机时代，自己玩自己的也无所谓，可是90年代互联网兴起后，情况就变得不一样了。大家想像一下，如果你有一个日本网友，你怎么给对方发信息？我们说了，字符在计算机中不过是一串编码数字，在网络中传输的也只是这串编号而已。如果你的电脑是用`GB2312`编码，那么你只能输入中文，发给对方的只是一串`GB2312`的编号，对方电脑用`Shift_JIS`编码表将编号转换后，得到必然是一串乱码。

当然，除此之外，也还有其他尴尬的事情，比如你是一位日语老师，你用电脑写教案，肯定是需要中文、日文混排的啊，但是`GB2312`和`GBK`显然满足不了，因为它是纯中文编码，它里面只有英语字母和中文，根本没有收录日文呀。

**该如何解决这个问题呢？**  
明白了问题的本质，其实解决起来也很简单。问题的根本原因就是大家各自为政，互不兼容，解决的办法很简单，那就是将全世界的所有语言文字全部放在同一张表里。这样一来，每一个字符都有一个唯一的编号。中文也好，日文、韩文也罢，每个字都有唯一的一个编号，不可能像以前各自为政一样，出现两个字符使用了同一个编号的情况，从此之后再不会出现乱码。

当然，不会出现乱码还是不太可能，但那是另一个故事了，接着说统一编码的事。聪明人不止一个，想到这个办法的当然也不止一个了。

### UCS ###

通用字符集（Universal Character Set），是由ISO制定的`ISO 10646`编码方式。ISO是国际标准化组织，主要就是定制国际通用标准的。UCS包含了已知语言的所有字符，它的第一个版本发表于1993年。

### Unicode ###

也被称为`统一码`、`万国码`，它包括字符集、编码方案。它为每种语言中的每个字符设定了统一并且唯一的编码。它于1990年开始研发，1994年正式发布，最新版本是`Unicode 12.1`，于2019年4月1日发布，共收录137,929个字符，查看更多 请访问 [Unicode官网][Unicode]

### 整合 ###

同时出现了`UCS`和`Unicode`，这反而使问题变得糟糕。人们发明统一编码表的目的，就是为了统一，而不是为了添乱。后来他们双方都意识到了问题，所以双方开始进行整合，到`unicode`2.0时，`unicode`编码和`UCS`编码基本一致了。注意，只是他们的标准合并了，这两个组织可没有合并，仍然独立存在。

到这里，大家终于明白`GB18030`支持国际标准`ISO/IEC10646-1`的意义了吧，它使得`GB18030`包含全部中日韩汉字，以及BIG5编码中的所有汉字。但是请记住，它仍然是一个仅适用于中文汉字的编码。简单说它的区别，就是`GB2312`和`GBK`完全是关起门来自己造的编码表，而后续版本`GB18030`则是在原来基础上注意与国际接轨，字符编号不再是自己随意排了，但是它也仅仅只包含汉字，解决不了我们上面提出来的互联网时代信息互通的问题。

最后做一点澄清，很多资料和博客不负责任的乱写，比如经常看到有人写`GB2312`、`GBK`也属于`Unicode`，或者写它们在`Unicode`下制定，或者说遵循`Unicode`，这基本等同于扯淡了，我们已经详细了解了它们的来龙去脉，`GBK`与`Unicode`没有一毛钱关系。倒是`GB18030`，它支持了ISO的`UCS`字符集，而`UCS`和`Unicode`标准已经合并，因此它与`Unicode`是有关系的。

我们应当如何去看待这些编码表呢？其实没有那么复杂，`GB2312`或者`GBK`它是中国人自己的编码，是地区性的，而`Unicode`是国际的，就这样看待就很Ok了。正常来讲，有了`Unicode`，以前的那些编码理应废弃淘汰掉，从此再不会有乱码问题。可是谁让那些地区性编码出现得早呢，使用了那么多年，已经深入到了方方面面，不是说废弃就能废弃的，牵扯面广啊。另一个更重要的原因，得算到微软头上！微软的Windows系统几乎占领了全世界绝大多数的桌面电脑，可是微软却非常坑爹的坚持使用地区性编码。什么意思呢，简单说就是，中国的Windows系统就指定使用本土的`GBK`编码，日本的Windows系统使用日本本土的编码。这就是大家Windows电脑经常出现的乱码的一个重要原因。

### UTF-16、UTF-32、UTF-8 ###

有了`Unicode`码表，似乎所有的问题都解决了，可是为什么又出现了UTF-16、UTF-32、UTF-8这些东东呢？

不要急，且听我慢慢道来。`Unicode`码只是一张表而已，规定了每个字符对应的编号，可是在计算机中该如何去具体实践它呢？大家想一想，以前的地区性编码表所表示的内容毕竟有限，而`Unicode`可是包含了全世界所有已知语言的文字啊，因此在具体的存储方案上一直存在问题。

先说说`Unicode`与UTF-16、UTF-32、UTF-8这些概念的关系。`Unicode`就相当于一本菜谱大全，定义好了不同菜的配方，UTF-16、UTF-32、UTF-8这些就相当于一个个具体的厨师，做同一道菜，不同的厨师手法也还是不同，出来味道也不同。从这一点我们就能看出，UTF-16、UTF-32、UTF-8这些都是同一个门派，练的同一种武功，这和前面讲的`GBK`、`Big5`那些根本不是一回事。

**UTF-16、UTF-32和UTF-8的区别**

#### UTF-16 ####

UTF-16是早期对`Unicode`码表的一个实现版本，一开始它规定用两个无符号字节也就是16位二进制来表示全部字符。那么最大范围也就是2的16次方，可是随着`Unicode`表收录的字符不断增加，早期才收录六万多个，现在早就远超这个数量，因此2个字节不够用了，没办法，后来就规定使用2或4个字节来存储`Unicode`码，就是说2个不够用的时候就用4个字节。注意，使用两个字节的UTF-16在`USC`那边还有另一个名字`USC-2`。 要记住`UTF`是 Unicode TransferFormat的缩写，它是`Unicode`这边的叫法，虽然我们前面讲了`USC`和`Unicode`标准合并的事，可是人家两个组织还独立存在呢，所以说啊，这些组织尽给我们找事。

![Image 1][]

比如在有些工具里，我们只看到UTF-8，却没看到UTF-16，为什么呢？因为这会人家叫另一个名字UCS-2

现在来说说UTF-16的缺点吧，最大的一个缺点就是不兼容ASCII 码。不要惊讶，它真的不兼容ASCII 码，一开始我们就讲了，ASCII码用一个字节表示，UTF-16呢，规定死了必须用2个或4个字节，因此不兼容1个字节的ASCII 码。对于ASCII 码它是用两个字节存的。另一个缺点就是字节乱序问题，它存在大小端问题，也就是所谓的Big Endian和Little Endian问题，简单说就是不适合在网络中传输，很蛋疼，曾经让我非常恼火。在C语言中，它就是所谓的宽字符，要想说清楚这些问题，非得拿C语言写代码举例子不可，此处省略……

最后一点总结，UTF-16算是个历史遗留问题，只有一些很老旧的文档或软件工具会用这种编码，现在的一些新东西如果不考虑兼容以前的老系统，不会再用它了。

#### UTF-32 ####

顾名思义，就是固定使用4个字节32位来表示`Unicode`码，当然，它在`USC`中的另一个名字就是`USC-4`。说实话，这种编码很难流行，因为它同样不兼容ASCII 码，更过分的是它用4个字节去存ASCII字符，比UTF-16更甚，彻底受到欧美人的唾弃！

你想一想，老外以前ASCII码占一个字节，假如以前写的一篇文档是10K大小，现在突然就增加到4倍，变成40K，这谁受得了。可是事物也有两面性，既然被发明出来，肯定也是有优势的，除了占空间外，使用固定4字节大小，可以让计算机处理字符的速度更快，这对一些搜索处理很有利。

#### UTF-8 ####

好了，最后终于轮到今天的主角UTF-8了。UTF-8是目前使用最广泛的一种计算机字符编码方式。目前被认为是对`Unicode`码最好的实现方案。简单说它就是`Unicode`门派最杰出的弟子。

UTF-8是一种变长编码，它跟上面两种的区别就是，它存储字符的大小是不固定的，它使用1~4个字节大小来存一个字符，它可以完全兼容ASCII码的。存储ASCII码时，它使用1个字节，中文则大多是使用3个字节来存，这样的好处就是可以大大节省空间。

在欧美人主导的世界范围内，这种编码方式非常受欢迎。但是在汉字为主的东亚范围内，人们仍然会犹豫，甚至有人认为这是一种文化歧视或文化不公。因为汉字在以前的GBK中或UTF-16中，都是以2个字节大小来存放，而UTF-8则使用三个字节，这就导致汉字使用UTF-8编码后，会占用更多空间，文件也会变大，而与此同时，使用ASCII码的欧美人却不会有任何影响。

无论如何，在互联网时代，UTF-8都是一种非常优秀的解决方案，现代的新兴编程语言，也都默认使用UTF-8作为源代码文件的指定编码。如Golang、Dart、Python3等。在Mac OS和Linux系统上，UTF-8也是默认的编码方式。因此，在Linux上写的文件，传到Windows系统上直接使用记事本打开，中文就会乱码，Windows默认编码是`GBK`。这里大家要记住，英文字母作为ASCII码字符，绝大多数时候都不会乱码，因为大部分编码方式都会兼容它，这就是为什么建议新手程序员，不要写中文路径，不要写中文注释的原因所在。

##### 什么是带BOM的UTF-8? #####

在Windows系统上，许多Windows程序（包括Windows记事本在内）在保存为UTF-8时，会在文档的开头添加字节0xEF，0xBB，0xBF，这是Unicode字节顺序标记，通常称为UTF-8 `BOM`。注意，Unicode标准既不要求也不建议使用`BOM`，说白了这就是Windows系统埋下的坑！如果你在Windows系统上保存了UTF-8 带`BOM`的文档，那么在Linux或Mac OS上可能会无法正确识别。因此，非常不建议使用Windows自带的记事本去编辑源代码，甚至其他文本文件也最好不要用它编辑，因为其他平台都是使用不带`BOM`的标准UTF-8编码方式。

## 字符编码与编程 ##

在早期，编程语言刚被发明的时候，几乎都是只支持ASCII码的，例如经典C语言，Python2等，因此在编写源码代码的时候，不能写中文注释，因为源代码是不支持这种非ASCII码字符的，这也是Python2的一大缺点。后来出来标准C语言，拓展了多字节和宽字符的概念，这才使得C语言能适应全世界的不同地区字符。Python2也提供了补救措施，需要在源码开始处手动设置一些环境，以支持中文字面量。直到Python3出来后，默认使用utf-8作为编码方式，这才彻底解决了Python2字符串关于乱码和编码转换的痛苦。

关于编程中字符乱码的问题，在后面的具体编程语言的章节中再详细讨论。

## 欢迎关注我的公众号：编程之路从0到1 ##

![编程之路从0到1][0_1]

[15221845-bc9bef48e05541a08508315d04d543ef.jpg]: /images/20220121/cc6e09b5f75a4ae5ad41cab21481ed61.png
[GBK]: https://www.qqxiuzi.cn/zh/hanzi-gbk-bianma.php
[page 936]: https://www.unicode.org/Public/MAPPINGS/VENDORS/MICSFT/WindowsBestFit/bestfit936.txt
[Unicode]: http://www.unicode.org/versions/Unicode12.1.0/
[Image 1]: 
[0_1]: /images/20220121/c2a1b574767b4859ace81c2539fddbae.png