字符编码

原创 2016年08月31日 12:09:30
写在前面:
      平时在编辑的时候经常遇到一些编码的问题,出现乱码了就调整一下字符编码就没有问题了。最近做了recovery界面的汉化工作,对字符编码的问题有了更深入的了解。在网上搜集了很多资料,原始地址已经忘了,下面的大部分内容来自网络,谢谢大家的分享,由于原始的地址已经无法给出,有异议的请留言。

一首先了解下字符集和字符编码的概念
   http://www.cnblogs.com/skynet/archive/2011/05/03/2035105.html  很长详细。

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 (?),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。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。
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1~4个字节表示一个符号,根据不同的符号而变化字节长度。
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。


UTF-8最多可用到6个字节。 
如表: 
1字节 0xxxxxxx 
2字节 110xxxxx 10xxxxxx 
3字节 1110xxxx 10xxxxxx 10xxxxxx 
4字节 11110xxx 10xxxxxx 10xxxxxx 10xxxxxx 
5字节 111110xx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx 
6字节 1111110x 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx 
因此UTF-8中可以用来表示字符编码的实际位数最多有31位,即上表中x所表示的位。除去那些控制位(每字节开头的10等),
这些x表示的位与UNICODE编码是一一对应的,位高低顺序也相同。 
实际将UNICODE转换为UTF-8编码时应先去除高位0,然后根据所剩编码的位数决定所需最小的UTF-8编码位数。

 



<script>window._bd_share_config={"common":{"bdSnsKey":{},"bdText":"","bdMini":"2","bdMiniList":false,"bdPic":"","bdStyle":"0","bdSize":"16"},"share":{}};with(document)0[(getElementsByTagName('head')[0]||body).appendChild(createElement('script')).src='http://bdimg.share.baidu.com/static/api/js/share.js?v=89860593.js?cdnversion='+~(-new Date()/36e5)];</script>
阅读(103) | 评论(0) | 转发(0) |
给主人留下些什么吧!~~
评论热议
版权声明:本文为博主原创文章,转载请注明出处。

Ubuntu里字符编码设置

Ubuntu里字符编码设置   Ubuntu系统在默认的状况下只支持中文UTF-8编码,但是我们写的一些文档,还有java代码编译时采用gbk编码。所以需要修改。步骤如下:  www.2c...
  • u014755532
  • u014755532
  • 2014年11月05日 23:14
  • 537

文件编码与字符编码

文件编码与字符编码首先明确一点,文件不存在什么编码(归根结底文件都是二进制文件,用ue打开可以看到都是一个个的16进制数),只有文件中的字符才可以说编码。编码与解码过程字符通过某种编码组织起来存到文件...
  • sun_abc
  • sun_abc
  • 2010年05月14日 13:47
  • 3873

Eclipse设置字符编码

设置编辑器字符编码 Window -> Preferences -> General -> Editors -> Text Editors -> Spelling 设置工作空间字符编码 Windo...
  • fm0517
  • fm0517
  • 2016年10月22日 17:51
  • 3244

字符编码、单字节字符编码、双字节字符编码、多字节字符编码

单字节编码: 双字节编码: 多字节编码:
  • xiaofan1988
  • xiaofan1988
  • 2015年01月30日 11:24
  • 2632

字符集编码发展简史

字符集编码发展到今天,其实经历了一个漫长而曲折的过程。从开始的ASCII,到后来的ANSI,再到现在的UNICODE。 计算机是由发达资本主义国家发明的,而这些国家基本都是英语国家,用8位(256中...
  • hehonglei2009
  • hehonglei2009
  • 2011年12月16日 15:53
  • 286

IntelliJ IDEA各种字符编码问题

(1)IntelliJ IDEA 修改Tomcat启动编译字符编码为UTF-8          在tomcat配置页面 VM options:-Dfile.encoding=UTF-8。 ...
  • caballero_
  • caballero_
  • 2016年05月26日 17:18
  • 133

关于JSP/Servlet字符编码

首先,来说一下HTML和JSP的区别: HTML属于前台,纯展示页面,请求HTML时,容器(如Tomcat)会读取HTML文件的内容,通过socket遵循HTTP协议发送到浏览器; JSP属于后台,请...
  • xuefeng0707
  • xuefeng0707
  • 2014年04月06日 00:56
  • 4528

mysql5.7字符编码设置

操作系统为suse12,数据库为5.7.19 进入数据库: show variables like "char%" 可以看到默认的编码格式为: 查一下my.cnf文件在哪个地方...
  • lingmao555
  • lingmao555
  • 2017年09月14日 14:36
  • 220

字符编码大全

* 刚开始很多人对于字符集都有莫名的恐惧,究其原因还是对于各种字符集没有清楚的去了解过,当你把每种常用的字符集的来源和基本规则了解清楚之后,会发现字符集一点都不神秘,而且想理解明白也没有太深的东西需要...
  • ming1205
  • ming1205
  • 2015年08月20日 14:59
  • 743

常见字符编码

在程序中如果没有处理好字符的编码,就有可能出现乱码问题。下面我为大家...
  • lylwanan
  • lylwanan
  • 2014年08月17日 19:41
  • 623
内容举报
返回顶部
收藏助手
不良信息举报
您举报文章:字符编码
举报原因:
原因补充:

(最多只允许输入30个字)