字符编码笔记(理论篇)字符编码终极笔记:ASCII、Unicode、UTF-8、UTF-16、UCS、BOM、Endian

记录转字符编码的有关事项,这首文章先说说字符编码的组成部分史以及原理。

1、字符编码、内码,顺带介绍汉字编码 

1.ASCII编码与ANSI标准

1字节(1B) = 8比不过(8b) = 8独二进制位
1B的信息量 0b00000000 ~ 0b11111111 = 2^8 = 256个状态

标准ASCII编码利用1B的后7员,而首先位默认置0,即:
0b00000000 ~ 0b01111111 = 2^7 = 128个状态
立刻128个状态各存储了控制字符、数字、大小写字母和任何标志。详见ASCII编码表[]

逐步地,128独状态不再会满足人们的急需,不同国家(语言区)都惦记把好语言的字符编进ASCII编码中,于是人们纷纷自发的采取于了1B的另外128单状态,称为扩展ASCII编码,其动1B的后7个,同时率先员默认置1,即:
0b10000000 ~ 0b11111111 = 2^7 = 128个状态
由于是生行为,每个国家(语言区)都对准扩大ASCII编码有投机独特的概念,因此彼此之间的扩大ASCII编码是匪能够通用的。(标准ACII编码区仍然通用)

劳还无一味于斯,部分国(语言区)的字符数量过剩(如字就是十万级别的数目),显然扩展ASCII编码的128个状态不克满足,于是发出了下的同样种植编码方式(ANSI标准编码):

  1. 封存标准ASCII编码的128独字符不转移,称为半角
  2. 别的字符用少单字节来代表,这样理论上能新增256*256=65536只编码,称为全角
    立马吗是豪门最早所体会的底就词话的由来

英文(半角)占一个字节,汉字(全角)占少数单字节

全角字符中用于编码的个别个字节被称高位字节不及字节
全角字符 = 高位字节 + 低位字节
高位字节和小字节都得选择用三种政策编码:

  1. 标准ASCII编码的128个状态
  2. 扩展ASCII编码的128个状态
  3. 上述且为此底256只状态

易窥见当就片单字节都使标准ASCII编码的128只状态时,计算机是心有余而力不足辨认这是简单个半竞字符,还是一个全角字符的。因此全角的编码区域实际只有:
256*256 – 128*128 = 49152个
本着此5万独左右底编码区,不同国度(语言区)制定了不同的编码标准,我们熟悉的有:

  • GB2312,大陆1980年标准(其中一级汉字3755单,二级汉字3008单,包括拉丁字母、希腊字母、日文平假名及片假名字母、俄报西里尔字母在内的全角字符682独。)
  • GBK,大陆1995年标准(GB2312的扩大,增加不常用汉字与字符,总编码量扩展至23940)
  • BIG-5,台湾规范

  • Unicode编码


随着互联网的前进,信息交流变得愈频繁,这虽促使一种植“大一统”的编码方式出现。这种编码可以以世界上有着的字符都编入其中,且每个状态各与字符都唯一对应。正使她的名字代表的意思那样,Unicode编码做到了。
Unicode将编码存储旋即片独逻辑过程独立开来。

  • 世界上的各国一个字符都发出且只有发一个Unicode编码方案即:字符S->Unicode(S)
  • 各国一个Unicode码都足以经的余方案来囤,这些方案的称即使凡咱常常听见的UTF-8、UTF-16、UTF-32等等。

字符必须编码后才能够于电脑处理。计算机应用的缺省编码方式就是电脑的内码。早期的计算机应用7位的ASCII编码,为了处理汉字,程序员设计了用于简体中文的GB2312和用来繁体中文的big5。 

2.1 编码逻辑

下先说一下Unicode的编码方式:
Unicode码的编码范围:0x000000 ~ 0x10FFFF
它们的继四个叫一个plane:0x0000 ~ 0xFFFF = 2^16 = 65536个状态
面前片员表示plane的号码,一共来:0x00 ~ 0x10 = 17个plane
因而Unicode编码一共发:17 * 65536 = 1114112个状态
当即好将世界上具有的字符都编码进去,而且还有蛮挺的多余。同时转忘了,预留的空白plane可远远多给17独(16*16=256个)
实际,在Unicode
5.0版本被特所以到了0,1,2,14,15,16即几乎独号码plane中的238605独状态

GB2312(1980年)一共用了7445独字符,包括6763独汉字和682个其他符号。汉字区之内码范围高字节从B0-F7,低字节从A1-FE,占用的码位是72*94=6768。其中起5独空位是D7FA-D7FE。 

2.2 存储逻辑

Unicode编码总算是将全球的字符都“装”下了,当然为达成这个目的,经过Unicode编码后底字符所占据空间变的那个挺。本来就占一个字节的通常ASCII字符和占少数单字节的ANSI字符统统都变成了占据三只字节的Unicode字符,造成了上空的高大浪费。因此Unicode编码的编码方式存储方分别独立实现,存储传输方案专注于贯彻Unicode编码如何节约存储空间。
周边的贮存传输方案来:UTF-8,UTF-16,UTF-32等

GB2312支持的方块字太少。1995年底字扩展规范GBK1.0用了21886单记号,它分成汉字区和图形符号区。汉字区包21003只字符。2000年底GB18030是代GBK1.0底规范国家标准。该规范收录了27484个汉字,同时还收录了藏文、蒙文、维吾尔文等要害的少数民族文字。现在的PC平台要支持GB18030,对嵌入式产品少勿作要求。所以手机、MP3相似但支持GB2312。 

UTF-8方案

UTF-8最老之一个表征,就是它是如出一辙种植变长的仓储方。它好应用1~4个字节存储一个Unicode码,根据不同的Unicode码而别存储字节的长。
UTF-8的积存规则不行简单,只发次长长的:

  1. 对小于0x7F的Unicode码,UTF-8编码只出一个字节,字节的第一员而为0,后面7位吗Unicode码。这为是以英语字母之UTF-8编码和平常ASCII码是如出一辙的。
  2. 对此另外Unicode码,落入下表的对应的限制被。其中x代表空白位,用Unicode码补充。
Unicode符号范围(十六进制) UTF-8存储方式(二进制)
000000 ~ 00007F 0xxxxxxx
000080 ~ 0007FF 110xxxxx 10xxxxxx
000800 ~ 00FFFF 1110xxxx 10xxxxxx 10xxxxxx
010000 ~ 10FFFF 11110xxx 10xxxxxx 10xxxxxx 10xxxxxx

打ASCII、GB2312、GBK到GB18030,这些编码方法是向下兼容的,即同一个字符在这些方案遭老是有一致的编码,后面的标准支持再次多之字符。在这些编码中,英文及国文好统一地处理。区分中文编码的法子是高字节的最高位非为0。按照程序员的称之为,GB2312、GBK到GB18030都属于双字节字符集
(DBCS)。 

UTF-16方案

UTF-16方案吧是一样种变长存储方,它使用简单单字节或四只字节来存储Unicode码。
当Unicode码位于编号为00之plane(即0x000000 ~
0x00FFFF之间)时,Unicode码正好对应了一定量只字节(16员二进制)的长短。即使用少单字节顺序存储。
当Unicode码位于其他编号的plane(即0x010000 ~
0x10FFFF)时,Unicode码减去0x10000后刚刚对承诺成为20各类二进制,依次填入以下四独字节的20个空位被:
110110xx xxxxxxxx 110111xx xxxxxxxx
面前少独字节称为高位WORD,以110110起;后少单字节称为小WORD,以110111开。

局部中文Windows的缺省内码还是GBK,可以经过GB18030升级包升级至GB18030。不过GB18030相对GBK增加的字符,普通人是死麻烦用到之,通常咱们要用GBK指代中文Windows内码。 

UTF-32方案

UTF-32方案是同样栽定长存储方案,它总是采取4个字节存储Unicode码,由于Unicode码只发24号,于是UTF-32方案免对准Unicode码做任何变更直接存储。
有人会咨询,用3单字节不也是好完全存储Unicode的持有编码为?我个人的喻是,由于Unicode的前身:通用字符集(Universal
Character Set,
UCS)分为了2字节编码的UCS-2和4许节编码的UCS-4。为了使编码方案统一,UCS-4承诺不再向0x10FFFF之后编码,并由UCS-2作为编号为0的plane(Basic
Multilingual Plane, BMP)共同组成Unicode编码。3者之间的涉及吗:
UCS-4编码中0x00000000 ~ 0x0010FFFF的片段组成了Unicode编码
Unicode编码中0x000000 ~ 0x00FFFF的一部分构成了UCS-2编码
于是UTF-16作为UCS-2编码的积存方案,UTF-32作为UCS-4编码的囤方案以4个字节,还是仍然保留在。

这边还有有细节: 

至于字节序(Byte Order Mark, BOM)

当UTF-16和UTF-32中留存在Little endian (LE)和Big endian
(BE)两栽传输字节约流的方法(显然非常蛋疼)
以为机器识别出这点儿栽传输方式,在Unicode编码规范着设定了一个誉为”ZERO
WIDTH NO-BREAK
SPACE”的状态位0x00FEFF,它怪应另实际意义的字符,且连续出现在文件之启幕,用于标志该公文是应用什么艺术读取字节流的(LE
or BE)。按照上文三栽存储方案的规则:

编码方案 BOM(十六进制)
UTF-8 EF BB BF
UTF-16LE FF FE
UTF-16BE FE FF
UTF-32LE FF FE 00 00
UTF-32BE 00 00 FE FF

看得出由于UTF-8不存在LE或BE的分,因此其的BOM只生同栽,可有可无。所以当UTF-8的方案下,有UTF-8
BOM和UTF-8 无BOM两种植,而她的区别就是文本开始有无产生EF BB BF
这三个字节罢了

GB2312的原稿还是区位码,从区位码到内码,需要以高字节和低字节上各自增长A0。 

在DBCS中,GB内码的囤积格式始终是big endian,即高位以头里。 

GB2312的有数个字节的嵩位都是1。但符合这个条件的码位只生128*128=16384单。所以GBK和GB18030的低字节最高位还或不是1。不过就不影响DBCS字符流的分析:在读取DBCS字符流时,只要碰到高位为1的字节,就可拿下零星独字节作为一个双字节编码,而非用无小字节的高位是什么。 

2、Unicode、UCS和UTF 

前提到从ASCII、GB2312、GBK到GB18030的编码方法是向下兼容的。而Unicode只与ASCII兼容(更准地游说,是跟ISO-8859-1郎才女貌),与GB码不般配。例如“汉”字之Unicode编码是6C49,而GB码是BABA。 

Unicode为是同样种植字符编码方法,不过它们是由于国际组织计划,可以容纳全世界享有语言文字的编码方案。Unicode的学名是”Universal
Multiple-Octet Coded Character Set”,简称为UCS。UCS可以当做是”Unicode
Character Set”的缩写。 

因维基百科的记叙:历史上存个别个拟独立设计Unicode的团队,即国际标准化组织(ISO)和一个软件制造商的协会(unicode.org)。ISO开发了ISO
10646色,Unicode协会开发了Unicode项目。 

于1991年左右,双方还认识及世界不欲简单个未兼容的字符集。于是它开始联合双方的行事战果,并也开创一个单一编码表而协同工作。从Unicode2.0初步,Unicode项目采取了跟ISO
10646-1同样之字库和字码。 

当前零星独品类按照还是,并独自地披露各自的正规。Unicode协会今天之流行版本是2005年底Unicode
4.1.0。ISO的风行正规是10646-3:2003。 

UCS规定了怎么用几近只字节表示各种文字。怎样传输这些编码,是出于UTF(UCS
Transformation
Format)规范规定之,常见的UTF规范包括UTF-8、UTF-7、UTF-16。 

IETF的RFC2781暨RFC3629以RFC的稳风格,清晰、明快又不失谨慎地叙述了UTF-16和UTF-8的编码方法。我接连记不得IETF是Internet
Engineering Task
Force的缩写。但IETF负责维护的RFC是Internet上总体规范之功底。 

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,因此八独二进制位就好结合产生256种植状态,这叫称作一个字节(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标志,就是256个号,从0000000到11111111。 

上个世纪60年份,美国制订了同样套字符编码,对英语字符与二进制位之间的干,做了联确定。这给称为ASCII码,一直沿用至今。 

ASCII码一共规定了128只字符的编码,比如空格“SPACE”是32(二进制00100000),大写的字母A是65(二上制01000001)。这128单标志(包括32只非克打印出的控制符号),只占了一个字节的末尾7各项,最前的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,但是就此来代表其余语言,128单记号是不够的。比如,在法语中,字母上方有注音符号,它便无法用ASCII码表示。于是,一些欧洲国虽控制,利用字节中按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,这些欧洲国采用的编码体系,可以表示极度多256只记。 

然而,这里还要并发了初的题目。不同的国发出例外之假名,因此,哪怕它还用256独记的编码方式,代表的假名却无均等。比如,130以法语编码中代表了é,在希伯来语编码中倒是代表了配母Gimel
(ג),在俄语编码中并且会意味着任何一个标志。但是无论如何,所有这些编码方式中,0—127代表的符是如出一辙的,不平等的单是128—255的马上等同段子。 

有关亚洲江山之文,使用的标志就更多矣,汉字就是基本上上10万横。一个字节只能表示256栽标志,肯定是不够的,就务须用多单字节表达一个符号。比如,简体中文常见的编码方式是GB2312,使用简单个字节表示一个中国字,所以理论及无与伦比多好代表256×256=65536只标志。 

华语编码的问题要专文讨论,这篇笔记不关乎。这里仅仅指出,虽然还是为此几近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 

Unicode的学名是 “Universal   Multiple-Octet   Coded   Character   Set
“,简称为UCS。 现在为此的凡UCS-2,即2个字节编码,而UCS-4是为了防止以来2单字节不敷用才开之。UCS-2为号称基本多文种平面。
UCS-2转换到UCS-4只是概括的在前加2个字节0。
UCS-4则重点用来保存辅助平面

正要使齐等同节所说,世界上在在冒尖编码方式,同一个二进制数字可以于解说成不同之符号。因此,要惦记打开一个文本文件,就务须理解它的编码方式,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?就是坐发信人和收信人使用的编码方式不相同。 

好想像,如果有一样栽编码,将世界上保有的记都纳入其中。每一个标记都与一个举世无双的编码,那么乱码问题即使见面磨灭。这就是是Unicode,就如其的讳还代表的,这是同一种植具有符号的编码。 

Unicode当然是一个挺要命的集合,Unicode
默认就是 Little Endian 模式
,现在的范畴足以包容100差不多万独记。每个符号的编码还未一致,比如,U+0639意味着阿拉伯字母Ain,U+0041意味着英语的万分写字母A,U+4E25代表汉字“严”。具体的记对应表,可以查询unicode.org,或者特别的汉字对应表。 

4. Unicode的问题 

用小心的凡,Unicode只是一个标记集,它就确定了符号的第二上前制代码,却并未确定是二进制代码应该什么存储。 

依照,汉字“严”的unicode是十六迈入制数4E25,转换成为二前行制数足足有15各项(100111000100101),也就是说这个符号的意味至少需要2单字节。表示其余还甚之符,可能用3独字节或者4独字节,甚至更多。 

这里就是产生少数只重的题目,第一独问题是,如何才会分unicode和ascii?计算机怎么懂得老三单字节表示一个标志,而未是个别代表三只标志为?第二独问题是,我们既知道,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必有次届三单字节是0,这对于仓储来说是巨的荒废,文本文件的深浅会就此大出二三倍增,这是无力回天承受的。 

其造成的结果是:1)出现了unicode的余仓储方,也就是说有许多种不同的次进制格式,可以为此来表示unicode。2)unicode在异常丰富一段时间内无法推广,直到互联网的起。 

5.UTF-8 

互联网的推广,强烈要求出现同种统一之编码方式。UTF-8就是于互联网上运最广的一模一样种unicode的落实方式。其他实现方式还包UTF-16和UTF-32,不过在互联网及着力不用。再也同一全套,这里的涉嫌是,UTF-8凡是Unicode的实现方式之一。 

UTF-8最老的一个特色,就是它们是一律种变长的编码方式。它好运用1~4只字节表示一个符号,根据不同之号而变化字节长度。 

UTF-8的编码规则不行粗略,只出次长: 

1)对于单字节的标记,字节的首先各如为0,后面7个呢这标记的unicode码。因此于英语字母,UTF-8编码和ASCII码是同一之。 

2)对于n字节的号子(n>1),第一独字节的前n位都使为1,第n+1位设为0,后面字节的前面少个一律要为10。剩下的莫提及的二进制位,全部乎者标记的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 

下面,还是以汉字“严”为条例,演示如何促成UTF-8编码。 

现已领略“严”的unicode是4E25(100111000100101),根据上表,可以发现4E25远在第三推行之限外(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”的末梢一个二进制位开始,依次从晚迈入填入格式中的x,多生之号补0。这样就是取了,“严”的UTF-8编码是“11100100
10111000 10100101”,转换成十六进制就是E4B8A5。 

6. Unicode以及UTF-8之间的更换 

透过上同样节的例证,可以看出“严”的Unicode码是4E25,UTF-8编码是E4B8A5,两者是免同等的。它们中的更换可以透过程序实现。 

于Windows平台下,有一个极其简便易行的转会方法,就是运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,在最底部有一个“编码”的下拉条。 

图片 1

中来四只选项: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,即直接用半独字节存入字符的Unicode码。这个选项用的little
endian格式。 

3)Unicode big endian编码与齐一个挑相呼应。我当生同样省会讲little
endian和big endian的涵义。 

4)UTF-8编码,也便是齐同样节谈到的编码方法。 

分选了”编码方式“后,点击”保存“按钮,文件之编码方式就顿时转换好了。 

7. Little endian和Big endian 

上一节早就涉嫌,Unicode码可以行使UCS-2格式直接存储。以汉字”严“为条例,Unicode码是4E25,需要用鲜个字节存储,一个字节是4E,另一个字节是25。存储的上,4E在眼前,25以后,就是Big
endian方式;25每当面前,4E以晚,就是Little endian方式。 

立点儿单奇怪的名目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,战争起因是人们争论,吃鸡蛋时到底是打大洋(Big-Endian)敲起还是于小头(Little-Endian)敲起。为了这宗工作,前后爆发了六不善乱,一个王送了命,另一个上丢了王位。 

用,第一只字节在前面,就是”大头方式“(Big
endian),第二独字节在前头哪怕是”小头方式“(Little endian)。 

那么深自然之,就会见面世一个题目:计算机怎么亮有一个文本到底下哪一样种植方法编码? 

Unicode规范被定义,每一个文件之绝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”零涨幅非换行空格“(ZERO
WIDTH NO-BREAK SPACE),用FEFF表示。这正是少单字节,而且FF比FE大1。 

比方一个文书文件之条片个字节是FE
FF,就表示该文件采用大头方式;如果头片只字节是FF
FE,就代表该文件采用小头方式。 

8、UCS-2、UCS-4、BMP 

UCS有一定量种植格式:UCS-2和UCS-4。顾名思义,UCS-2就是因此半单字节编码,UCS-4就是故4只字节(实际上不过所以了31号,最高位必须也0)编码。下面给我们举行有简单的数学游戏: 

UCS-2有2^16=65536个码位,UCS-4有2^31=2147483648个码位。 

UCS-4根据最高位为0的嵩字节分成2^7=128只group。每个group再因次高字节分为256独plane。每个plane根据第3个字节分为256行
(rows),每行包含256单cells。当然和一行的cells只是最终一个字节不同,其余都同一。 

group 0的plane 0被称作Basic Multilingual Plane,
即BMP。或者说UCS-4中,高点儿只字节为0的码位被称作BMP。 

以UCS-4的BMP去丢前面的鲜只零字节就得了UCS-2。在UCS-2的有数个字节前增长两单零字节,就获了UCS-4的BMP。而眼前的UCS-4规范中还没外字符被分配在BMP之外。 

9、UTF的许节序和BOM 

UTF-8为字节为编码单元,没有许节序的问题。UTF-16以有限只字节为编码单元,在解说一个UTF-16文以前,首先使弄明白每个编码单元的许节序。例如收到一个“奎”的Unicode编码是594E,“乙”的Unicode编码是4E59。如果我们接到UTF-16许节流“594E”,那么就是“奎”还是“乙”? 

Unicode规范被推介的记号字节顺序的不二法门是BOM。BOM不是“Bill Of
Material”的BOM表,而是Byte Order Mark。BOM是一个发出硌小智之想法: 

每当UCS编码中产生一个称作”ZERO WIDTH NO-BREAK
SPACE”的字符,它的编码是FEFF。而FFFE在UCS中凡是休在的字符,所以无该出现在实际上传输中。UCS规范建议我们在传字节约流前,先污染输字符”ZERO
WIDTH NO-BREAK SPACE”。 

诸如此类一旦接收者收到FEFF,就表明是字节流是Big-Endian的;如果接收FFFE,就标志这字节流是Little-Endian的。因此字符”ZERO
WIDTH NO-BREAK SPACE”又为称之为BOM。 

UTF-8不欲BOM来表明字节顺序,但好就此BOM来表明编码方式。字符”ZERO WIDTH
NO-BREAK SPACE”的UTF-8编码是EF BB
BF(读者可以用我们前面介绍的编码方法验证一下)。所以如果接收者收到以EF
BB BF开头的字节流,就清楚这是UTF-8编码了。 

Windows就是运用BOM来号文本文件的编码方式的。 

10. 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,依次以ANSI,Unicode,Unicode
big endian 和 UTF-8编码方式保存。 

下一场,用文本编辑软件UltraEdit中之”十六进制功能“,观察该文件之内编码方式。 

1)ANSI:文件之编码就是有限独字节“D1
CF”,这正是“严”的GB2312编码,这为暗示GB2312是下大头方式囤的。 

2)Unicode:编码是四单字节“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:编码是四只字节“FE FF 4E 25”,其中“FE
FF”表明是元宝方式囤。 

4)UTF-8:编码是六独字节“EF BB BF E4 B8 A5”,前三单字节“EF BB
BF”表示马上是UTF-8编码,后三独“E4B8A5”就是“严”的切实可行编码,它的囤积顺序和编码顺序是同一的。 

9. 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的确定) 

来源:http://www.ruanyifeng.com/blog/2007/10/ascii_unicode_and_utf-8.html 

本文主要参照的资料是 “Short overview of ISO-IEC 10646 and Unicode”
(http://www.nada.kth.se/i18n/ucs/unicode-iso10646-oview.html)。 

自我还找了一定量篇看上去对的材料,不过坐自开之谜都找到了答案,所以即使没扣留: 

“Understanding Unicode A general introduction to the Unicode Standard”
(http://scripts.sil.org/cms/scripts/page.php?site_id=nrsi&item_id=IWS-Chapter04a) 

“Character set encoding basics Understanding character set encodings and
legacy encodings”
(http://scripts.sil.org/cms/scripts/page.php?site_id=nrsi&item_id=IWS-Chapter03) 

字符编码:Unicode/UTF-8/UTF-16/UCS/Endian/BMP/BOM

Unicode(Universal Multiple-Octet Coded Character
Set):目前不过盛与极其有前途的字符编码规范,因为它解决了不同语言编码的冲突。 

Uicode由来: 

前期的字符编码ascii(8bit,最高位呢0)只能表示128独字符,表示英文、数字和有号是绝非问题。但是世界相连一种植语言,即利用及了参天也1之恢宏ascii码,也只来256独字符。 

针对被日韩文、阿拉伯文之类复杂的仿,就无法用了。 

于是,各国都制定了协调之兼容ascii编码规范,就是各种ANSI码,比如我国之gb2312,用简单个扩大ascii字符来表示一个汉语。但是这些ansi码无法以是,因为她的定义互相重叠,要自由使用不同语言就亟须产生一个新编码,为各种文字统一分配编码。 

ISO(国际标准化组织)和Uicode协会(一个软件制造商的协会)分别开始了此工作。即ISO的ISO
10646色以及Unicode协会之Unicode项目。后来它开始集合了双面的行事成果,采用相同之字库和字码。但眼下星星点点单种类还留存并单独地披露自己之正规。 

UCS(Unicode Character Set): 

立刻是Uicode在ISO的称号,目有半点仿编码方法,UCS-2(Unicode)用2个字节表示一个字符,UCS-4(Unicode-32)用4单字节表示一个字符。UCS-4凡是由USC-2扩展来之,增加了2字节底要职。即使是老UCS-2,它也得表示2^16=65535单字符,基本上可以容纳有常用各国字符,所以时主导都用UCS-2。 

UTF(UCS Transformation Format): 

Unicode以2单字节表示一个字符,ascii使用1单字节,所以在许多上面产生了扑,以前处理ascii的法子都不能不重写。而且C语言用\0作为字符串结束标志,但Unicode中许多字符都饱含\0,C语言的字符串函数也无能为力正常处理Unicode。为了将unicode投入实用,出现了UTF,最常见的凡UTF-8和UTF-16。 

个中UTF-16和Unicode本身的编码是同样的,UTF-32和UCS-4也是同一之。最要紧的凡UTF-8,可以完全兼容ascii编码
。UTF是一律种植变长的编码,它的字节数是免稳定的,使用第一只字节确定字节数。第一只字节首为0即一个字节,110不怕2字节,1110不怕3字节,字符后续字节都用10上马,这样不见面混淆且单字节英文字符可按用ASCII编码。理论及UTF-8最老得为此6字节代表一个字符,但Unicode目前从未有过就此大于0xffff的字符,实际UTF-8最多用了3单字节。 

unicode转化为UTF-8的方法 

Unicode码范围 UTF-8编码(把Unicode码转为二进制填充x处)
0000-007F 0xxxxxxx
0080-07FF 110xxxxx 10xxxxxx
0800-FFFF 1110xxxx 10xxxxxx 10xxxxxx 

字之Unicode编码范围是0080-07FF,因此是2字节编码。 

Big Endian(大字节序)和Little Endian(小字节序): 

Unicode存储时来个字节序问题,就是一个多字节数字,是起杀及小排列还是恰恰相反。这和CPU处理有关,一般x86处理常都是倒置的,即大数在前边。就像“莫”字之Unicode码0x83ab,按Big
Endian就改成了0xab83。 

BOM(Byte Order Mark): 

因为Unicode存储时许节序的题目,在Unicode文本前安插一个请勿有的字符(ZERO
WIDTH NO-BREAK SPACE)作为标志来甄别两种植字节序。标志0xfeff说明按Big
Endian字节序,而0xfffe说明Little-Endian。 

UTF-8不需要BOM来说明字节序,但可以据此BOM标志编码方式。遇到带0xefbbbf开头的文本,计算机就好免欲分辨直接按UTF-8编码处理。 

BMP(Basic Multilingual Plane): 

立马是Unicode实际和字符对应的分割方式受之概念。 

按UCS-4为例子 

首字节篇各项恒为0,剩下7各项可分2^7=128单group(组)。 

仲独字节,每个group下面可以起2^8=256单plane(平面)。 

其三只字节,可以给每个palne带来256独row(行)。 

季单字节,这里的8员而得每row可以分开256只cell(格子)。 

group 0中的plane
0就是BMP,即眼前片独字节为0×0000底UCS-4码。去掉0×0000底BMP上之UCS-4就改成了UCS-2编码。或者说UCS-2是USC-4的子集,BMP就是UCS-2在USC-4中之职位。我们由这边还足以落USC-2转为UCS-4的章程,再UCS-2前面插入2个字节0×0000。 

来源:http://blog.csdn.net/zzcv_/archive/2007/06/03/1636085.aspx 

相关文章