fmddlmyy的专栏

伐木丁丁鸟鸣嘤嘤

吕杰ID：fmddlmyy
共80487次访问，排名1186好友2人，关注者5人
伐木丁丁鸟鸣嘤嘤
fmddlmyy的文章
原创 40 篇
翻译 0 篇
转载 0 篇
评论 94 篇
fmddlmyy的公告

最近评论
慧军：还是设计自己的UI方案比较好，不能认为WM流行就照抄WM的。WM更大的市场是在商业应用，UI上面就不见得好了。
abbot：very good!
htbegin：很不错！
luxiaoyan：我安装了doxygen， graphviz， 生成的的文档无法显示类图，不知道是怎么回事，请各位帮忙解决一下，谢谢阿。
liaoliaopro：这个应该是表达式求值顺序的问题吧？gcc从左开始求值，vc从右开始求值，最后产生这样的结果。
文章分类
收藏
    相册
    个人主页
    fmddlmyy的留言板
    Mime 手机中文输入引擎
    伐木丁丁鸟鸣嘤嘤——我的个人主页
    历法计算程序
    我的程序
    我的随笔集
    存档
    订阅我的博客
    XML聚合  FeedSky

    原创 谈谈Unicode编码，简要解释UCS、UTF、BMP、BOM等名词收藏

    新一篇: 谈谈Windows程序中的字符编码 | 旧一篇: 从subsystem开始概述NT内核

    这是一篇程序员写给程序员的趣味读物。所谓趣味是指可以比较轻松地了解一些原来不清楚的概念，增进知识，类似于打RPG游戏的升级。整理这篇文章的动机是两个问题：

    问题一：

    使用Windows记事本的“另存为”，可以在GBK、Unicode、Unicode big endian和UTF-8这几种编码方式间相互转换。同样是txt文件，Windows是怎样识别编码方式的呢？

    我很早前就发现Unicode、Unicode big endian和UTF-8编码的txt文件的开头会多出几个字节，分别是FF、FE（Unicode）,FE、FF（Unicode big endian）,EF、BB、BF（UTF-8）。但这些标记是基于什么标准呢？

    问题二：
    最近在网上看到一个ConvertUTF.c，实现了UTF-32、UTF-16和UTF-8这三种编码方式的相互转换。对于Unicode(UCS2)、GBK、UTF-8这些编码方式，我原来就了解。但这个程序让我有些糊涂，想不起来UTF-16和UCS2有什么关系。

    查了查相关资料，总算将这些问题弄清楚了，顺带也了解了一些Unicode的细节。写成一篇文章，送给有过类似疑问的朋友。本文在写作时尽量做到通俗易懂，但要求读者知道什么是字节，什么是十六进制。

    0、big endian和little endian

    big endian和little endian是CPU处理多字节数的不同方式。例如“汉”字的Unicode编码是6C49。那么写到文件里时，究竟是将6C写在前面，还是将49写在前面？如果将6C写在前面，就是big endian。还是将49写在前面，就是little endian。

    “endian”这个词出自《格列佛游记》。小人国的内战就源于吃鸡蛋时是究竟从大头(Big-Endian)敲开还是从小头(Little-Endian)敲开，由此曾发生过六次叛乱，其中一个皇帝送了命，另一个丢了王位。

    我们一般将endian翻译成“字节序”，将big endian和little endian称作“大尾”和“小尾”。

    1、字符编码、内码，顺带介绍汉字编码

    字符必须编码后才能被计算机处理。计算机使用的缺省编码方式就是计算机的内码。早期的计算机使用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和用于繁体中文的big5。

    GB2312(1980年)一共收录了7445个字符，包括6763个汉字和682个其它符号。汉字区的内码范围高字节从B0-F7，低字节从A1-FE，占用的码位是72*94=6768。其中有5个空位是D7FA-D7FE。

    GB2312支持的汉字太少。1995年的汉字扩展规范GBK1.0收录了21886个符号，它分为汉字区和图形符号区。汉字区包括21003个字符。2000年的GB18030是取代GBK1.0的正式国家标准。该标准收录了27484个汉字，同时还收录了藏文、蒙文、维吾尔文等主要的少数民族文字。现在的PC平台必须支持GB18030，对嵌入式产品暂不作要求。所以手机、MP3一般只支持GB2312。

    从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中总是有相同的编码，后面的标准支持更多的字符。在这些编码中，英文和中文可以统一地处理。区分中文编码的方法是高字节的最高位不为0。按照程序员的称呼，GB2312、GBK到GB18030都属于双字节字符集 (DBCS)。

    有的中文Windows的缺省内码还是GBK，可以通过GB18030升级包升级到GB18030。不过GB18030相对GBK增加的字符，普通人是很难用到的，通常我们还是用GBK指代中文Windows内码。

    这里还有一些细节：

    • GB2312的原文还是区位码，从区位码到内码，需要在高字节和低字节上分别加上A0。

    • 在DBCS中，GB内码的存储格式始终是big endian，即高位在前。

    • GB2312的两个字节的最高位都是1。但符合这个条件的码位只有128*128=16384个。所以GBK和GB18030的低字节最高位都可能不是1。不过这不影响DBCS字符流的解析：在读取DBCS字符流时，只要遇到高位为1的字节，就可以将下两个字节作为一个双字节编码，而不用管低字节的高位是什么。

    2、Unicode、UCS和UTF

    前面提到从ASCII、GB2312、GBK到GB18030的编码方法是向下兼容的。而Unicode只与ASCII兼容（更准确地说，是与ISO-8859-1兼容），与GB码不兼容。例如“汉”字的Unicode编码是6C49，而GB码是BABA。

    Unicode也是一种字符编码方法，不过它是由国际组织设计，可以容纳全世界所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可以看作是"Unicode Character Set"的缩写。

    根据维基百科全书(http://zh.wikipedia.org/wiki/)的记载：历史上存在两个试图独立设计Unicode的组织，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项目，Unicode协会开发了Unicode项目。

    在1991年前后，双方都认识到世界不需要两个不兼容的字符集。于是它们开始合并双方的工作成果，并为创立一个单一编码表而协同工作。从Unicode2.0开始，Unicode项目采用了与ISO 10646-1相同的字库和字码。

    目前两个项目仍都存在，并独立地公布各自的标准。Unicode协会现在的最新版本是2005年的Unicode 4.1.0。ISO的最新标准是10646-3:2003。

    UCS规定了怎么用多个字节表示各种文字。怎样传输这些编码，是由UTF(UCS Transformation Format)规范规定的，常见的UTF规范包括UTF-8、UTF-7、UTF-16。

    IETF的RFC2781和RFC3629以RFC的一贯风格，清晰、明快又不失严谨地描述了UTF-16和UTF-8的编码方法。我总是记不得IETF是Internet Engineering Task Force的缩写。但IETF负责维护的RFC是Internet上一切规范的基础。

    3、UCS-2、UCS-4、BMP

     

    UCS有两种格式：UCS-2和UCS-4。顾名思义，UCS-2就是用两个字节编码，UCS-4就是用4个字节（实际上只用了31位，最高位必须为0）编码。下面让我们做一些简单的数学游戏：

    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的最高字节分成2^7=128个group。每个group再根据次高字节分为256个plane。每个plane根据第3个字节分为256行 (rows)，每行包含256个cells。当然同一行的cells只是最后一个字节不同，其余都相同。

    group 0的plane 0被称作Basic Multilingual Plane, 即BMP。或者说UCS-4中，高两个字节为0的码位被称作BMP。

    将UCS-4的BMP去掉前面的两个零字节就得到了UCS-2。在UCS-2的两个字节前加上两个零字节，就得到了UCS-4的BMP。而目前的UCS-4规范中还没有任何字符被分配在BMP之外。

    4、UTF编码

     

    UTF-8就是以8位为单元对UCS进行编码。从UCS-2到UTF-8的编码方式如下：

    UCS-2编码(16进制) UTF-8 字节流(二进制)
    0000 - 007F 0xxxxxxx
    0080 - 07FF 110xxxxx 10xxxxxx
    0800 - FFFF 1110xxxx 10xxxxxx 10xxxxxx

    例如“汉”字的Unicode编码是6C49。6C49在0800-FFFF之间，所以肯定要用3字节模板了：1110xxxx 10xxxxxx 10xxxxxx。将6C49写成二进制是：0110 110001 001001， 用这个比特流依次代替模板中的x，得到：11100110 10110001 10001001，即E6 B1 89。

    读者可以用记事本测试一下我们的编码是否正确。

    UTF-16以16位为单元对UCS进行编码。对于小于0x10000的UCS码，UTF-16编码就等于UCS码对应的16位无符号整数。对于不小于0x10000的UCS码，定义了一个算法。不过由于实际使用的UCS2，或者UCS4的BMP必然小于0x10000，所以就目前而言，可以认为UTF-16和UCS-2基本相同。但UCS-2只是一个编码方案，UTF-16却要用于实际的传输，所以就不得不考虑字节序的问题。

    5、UTF的字节序和BOM

    UTF-8以字节为编码单元，没有字节序的问题。UTF-16以两个字节为编码单元，在解释一个UTF-16文本前，首先要弄清楚每个编码单元的字节序。例如收到一个“奎”的Unicode编码是594E，“乙”的Unicode编码是4E59。如果我们收到UTF-16字节流“594E”，那么这是“奎”还是“乙”？

    Unicode规范中推荐的标记字节顺序的方法是BOM。BOM不是“Bill Of Material”的BOM表，而是Byte Order Mark。BOM是一个有点小聪明的想法：

    在UCS编码中有一个叫做"ZERO WIDTH NO-BREAK SPACE"的字符，它的编码是FEFF。而FFFE在UCS中是不存在的字符，所以不应该出现在实际传输中。UCS规范建议我们在传输字节流前，先传输字符"ZERO WIDTH NO-BREAK SPACE"。

    这样如果接收者收到FEFF，就表明这个字节流是Big-Endian的；如果收到FFFE，就表明这个字节流是Little-Endian的。因此字符"ZERO WIDTH NO-BREAK SPACE"又被称作BOM。

    UTF-8不需要BOM来表明字节顺序，但可以用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，就知道这是UTF-8编码了。

    Windows就是使用BOM来标记文本文件的编码方式的。

    6、进一步的参考资料

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

    我还找了两篇看上去不错的资料，不过因为我开始的疑问都找到了答案，所以就没有看：

    1. "Understanding Unicode A general introduction to the Unicode Standard" (http://scripts.sil.org/cms/scripts/page.php?site_id=nrsi&item_id=IWS-Chapter04a)
    2. "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)

    我写过UTF-8、UCS-2、GBK相互转换的软件包，包括使用Windows API和不使用Windows API的版本。以后有时间的话，我会整理一下放到我的个人主页上(http://www.fmddlmyy.cn)。

    我是想清楚所有问题后才开始写这篇文章的，原以为一会儿就能写好。没想到考虑措辞和查证细节花费了很长时间，竟然从下午1:30写到9:00。希望有读者能从中受益。

     

    发表于 @ 2005年05月04日 21:19:00|评论(loading...)|编辑

    新一篇: 谈谈Windows程序中的字符编码 | 旧一篇: 从subsystem开始概述NT内核

    评论

    #x140yu 发表于2005-05-26 16:24:00  IP:
    TrackBack来自《谈谈Unicode编码，简要解释UCS、UTF、BMP、BOM等名词》：

    Ping Back来自：www.donews.net
    #我为C狂 发表于2006-01-21 16:55:00  IP: 211.100.21.*
    TrackBack来自《【转载】谈谈Unicode编码，简要解释UCS、UTF、BMP、BOM等名词》：

    这篇文章转载自fmddlmyy的专栏，比较通俗地介绍了关于Unicode的各个方面的知识，同时还给出了相关资料的链接。fmddlmyy的专栏链接是http://blog.csdn.net/fmddlmyy/，本文的链接地址是http://blog.csdn.net/fmddlmyy/archive/2005/05/04/372148.aspx
    #yew98 发表于2005-05-21 01:50:00  IP: 61.186.252.*
    呵呵。很喜欢楼主的写作风格。确实有化繁为简的功力。
    向楼主学习。
    #rc_yz 发表于2005-06-03 21:33:00  IP: 61.186.252.*
    非常好，谢谢！
    #tom 发表于2005-06-28 17:06:00  IP: 61.186.252.*
    fmddlmyy：
    你好，今天我看了你写的文章“谈谈Unicode编码，简要解释UCS、UTF、BMP、BOM等名词”很受启发，让我对于这些概念及相互之间的转换有了很清楚的了解。
    不过现在我有一个疑问：在两台机器之间进行字符传输的时候，如果按UTF－8方式进行传输出去，接收方接到的UTF－8的数据后生成的是UNICODE编码，而你说的是UNICODE编码与GBK之间不兼容，那么怎么把接收到的文字以GBK方式显示呢？
    希望得到你的解答，不胜感激：）
    另：你写的文章很是通俗易懂，教给了我们很多知识。
    #fmddlmyy 发表于2005-06-29 21:17:00  IP: 61.186.252.*
    Unicode编码和GBK编码虽然不兼容，但可以相互转换。例如“汉”字的Unicode编码是6c49，GBK编码是BABA。我在收到6C49后，就可以将它映射到BABA。
    这种转换采用编程的方法，可以用一张大表，或者用Windows的WideCharToMultiByte函数。如果不编程，用记事本就可以转换。
    #tom 发表于2005-07-02 10:52:00  IP: 61.186.252.*
    fmddlmyy,你的解释让我明白了各种编码之间的转换原理，让我明白了JSP中的汉字乱码问题的存在原因，即UNICODE编码与GBK之间的转换问题。不知道我的理解是否正确，把我的理解描述一下：如果网络上用于JSP的汉字的转送是通过UNICODE的UTF－8格式，那么所有的操作都可以基于UTF－8编码来完成如数据存取，数据交换，当需要显示的时候再换成相应的汉字编码(如GBK)即可。
    #david 发表于2005-09-13 10:41:00  IP: 211.100.21.*
    朋友，能否提供Java版的UTF-8、UCS-2、GBK相互转换的软件包？我正开发短信平台，有UCS-2转码问题
    #LGuo 发表于2005-10-12 15:53:00  IP: 211.100.21.*
    unicode<->GBK互转的码表哪里能找到？
    #阿涛 发表于2005-10-24 15:21:00  IP: 211.100.21.*
    您好,我在应用东软API开发CMPP30平台。遇到一个问题：在提交短信SUBMIT的时候，信息编码格式用UCS2，内容转换为UCS2，发送后，如果内容只有汉字那手机接收结果是正确的；如果包含英文转换成UCS2后发送，结果英文就无法显示。
    我把从网关接收过来的deliver信息分析，UCS2编码的“测试test”转换为可见字符为“6D 4B 8B D5 00 74 00 65 00 73 00 74”。我submit时的“测试test”编码后转换为可见字符也是如此，但submit后，“00”后面的信息就不显示了。
    请您在百忙之中抽时间指点一二，不胜感激！atao245993@21cn.com
    //-----
    submit部分程序段(Borland C++)：
    ……
    iLen = gsmEncodeUcs2(sContent.c_str(),cs.short_msg,strlen(sContent.c_str())); //转换编码赋值给短信内容、得到编码后长度
    cs.sm_len = iLen;//赋值给短信长度
    ……
    status = SendMessage(&RecvConn,cs);//submit
    #阿涛 发表于2005-10-25 10:42:00  IP: 211.100.21.*
    非常感谢您能回信，这个问题我郁闷了很久，谢谢您的指点。给您回信时,说信件无法发送。只能将回信贴到这里了

    后面附了gsmEncodeUcs2函数代码，是将GSM串转换为UCS2串。
    cs是东软API内的cmpp30icp_submit结构包，其中shor_msg短信内容、sm_len短信长度。
    比如：iLen= gsmEncodeUcs2("测试test",cs.short_msg,strlen("测试test")); //将字符串转换为UCS2编码，并得出编码长度iLen。
    将编码后的UCS2串转换为可视字符显示“6D 4B 8B D5 00 74 00 65 00 73 00 74”长度12（这些应该正确吧？）。

    问题是，东软API中SendMessage(&RecvConn,cs)提交内容后，似乎把编码内容“00”后面的都截掉了，手机只能收到“测试----”。
    如果发送“test测试”，那接收到的结果是“------”。只要出现英文，编码后“00”后面的就无法显示。
    好象API在提交时，把“00”当成“\0”结束了编码串拷贝。难道东软API内部使用的是strcpy而不是memcpy？
    在网络上东软API的资料不多，一般都是建议Msg_Fmt=0（纯ASCII串）或=15（包含中文）。
    我这里使用1或15结果正常，但我一定要用Msg_Fmt=8（UCS2编码）来完成网关测试，郁闷。
    而面对英文的UCS2编码后的提交问题，无法解决。偶想东软的API应该不会有问题吧，是我的哪一步做错了。想咨询东软API开发小组，可不知道怎么联系。
    #atao 发表于2005-10-25 10:44:00  IP: 211.100.21.*
    //-----gsmEncodeUcs2函数原型-----

    // UCS2编码
    // pSrc: 源字符串指针
    // pDst: 目标编码串指针
    // nSrcLength: 源字符串长度
    // 返回: 目标编码串长度
    int gsmEncodeUcs2(const char* pSrc, unsigned char* pDst, int nSrcLength)
    {
    int nDstLength; // UNICODE宽字符数目
    WCHAR wchar[160]; // UNICODE串缓冲区

    // 字符串-->UNICODE串
    nDstLength = ::MultiByteToWideChar(CP_ACP, 0, pSrc, nSrcLength, wchar, 160);

    // 高低字节对调，输出
    for(int i=0; i<nDstLength; i++)
    {
    // 先输出高位字节
    *pDst++ = wchar[i] >> 8;
    // 后输出低位字节
    *pDst++ = wchar[i] & 0xff;
    }

    // 返回目标编码串长度
    return nDstLength * 2;
    }
    #sunpluto 发表于2006-02-16 14:09:00  IP: 218.94.74.*
    签名，感谢作者的辛苦撰写。受益良多。
    #study 发表于2006-04-05 16:59:00  IP: 222.66.83.*
    ri ,hen hao ,xiexie
    #请继续 发表于2006-04-27 10:05:00  IP: 211.141.69.*
    希望继续看到你的大作
    #acesolo 发表于2007-04-16 13:18:46  IP: 59.51.198.*
    学习中……
    #woirp 发表于2007-06-30 07:42:31  IP: 219.157.3.*
    有收获，谢谢！
    #terry 发表于2007-07-09 11:33:31  IP: 58.246.25.*
    写的8磋
    #快乐浪子 发表于2007-08-15 16:13:37  IP: 222.190.124.*
    用心写的就要支持！加油！
    #guest 发表于2007-09-02 23:33:36  IP: 218.104.238.*
    写得不错，顶一个！
    #UTF-8BOM.exe 发表于2007-09-06 15:58:45  IP: 221.10.47.*
    如果有很多的文件BOM标记的成批删除可以用UTF-8BOM.exe工具成批删除！要用的可以发email 过到！zhangkui19810130@163.com来要个！java-1.5开发的！需要你安装jdk就可以直接运行！
    #flyingduck1 发表于2007-09-15 15:36:17  IP: 124.16.139.*
    thanks
    #wingfiring 发表于2007-11-02 16:54:02  IP: 202.95.81.*
    不错，受教了。
    #NetMicrobe 发表于2007-12-06 16:44:05  IP: 10.193.78.*
    希望有读者能从中受益。
    :), 谢谢， 获益匪浅！
    #mi 发表于2008-03-20 11:12:08  IP: 58.62.144.*
    多谢，，，
    #zealic 发表于2008-05-23 16:02:30  IP: 125.71.211.*
    受益良多
    谢谢~~~
    发表评论  


    登录
    Csdn Blog version 3.1a
    Copyright © fmddlmyy