今天中午,我突然想搞清楚Unicode和UTF-8之间的关系,于是就开始在网上查资料。
结果,这个问题比我想象的复杂,从午饭后一直看到晚上9点,才算初步搞清楚。
下面就是我的笔记,主要用来整理自己的思路。但是,我尽量试图写得通俗易懂,希望能对其他朋友有用。毕竟,字符编码是计算机技术的基石,想要熟练使用计算机,就必须懂得一点字符编码的知识。
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。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(字符用两个字节或四个字节表示)和UTF-32(字符用四个字节表示),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。
下表总结了编码规则,字母x表示可用编码的位。
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
跟据上表,解读UTF-8编码非常简单。如果一个字节的第一位是0,则这个字节单独就是一个字符;如果第一位是1,则连续有多少个1,就表示当前字符占用多少个字节。
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。
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。
9. 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)
* RFC3629:UTF-8, a transformation format of ISO 10646(如果实现UTF-8的规定)
(完)
Stark 说:
很有意思的内容
讲解得通俗易懂,非常感谢您用较长的时间学习,并用精简的语言概括
2007年10月29日 10:10 | 档案 | 引用
flyisland 说:
本人是计算机从业人员,对文中提到的知识也都基本了解,但是像阮兄这样,花了半天时间就弄清楚来龙去脉,同时讲述的如此清楚,实在佩服。
本帖有pmp嫌疑,但实在是不能不p啊 :)。我想,动手写过技术文章的人都会同意我的。
2007年10月29日 10:52 | 档案 | 引用
只如初见 说:
是啊,我这个超级菜鸟都看明白了,阮兄对技术的理解和说明能力叫人佩服,谢谢分享。
2007年10月29日 11:32 | 档案 | 引用
姬着 说:
文章里说:UCS-2编码方式,即直接用两个字节存入字符的Unicode码。
那USC-2编码方式如何实现超过两个字节的符号的存储?谢谢
2007年10月29日 17:04 | 档案 | 引用
大徐 说:
对了解字符编码很有帮助,谢谢!
2007年10月29日 23:11 | 档案 | 引用
Ruan YiFeng 说:
“延伸阅读”中第一个链接,才是真正的通俗易懂,我只是向他学习而已。
2007年10月30日 09:13 | 档案 | 引用
Ruan YiFeng 说:
USC-2只能用存储两个字节的Unicode,超过这一范围的符号,它不能表示。
2007年10月30日 09:15 | 档案 | 引用
Annis 说:
我是Annis,想邀请您参加拼搏到底FeedSky博客挑战赛,
这是一个很好的宣传、展示自己的机会,
有兴趣您可以自己到相关网站了解具体参赛细节。
http://www.feedsky.com/challenge/?u=141270
2007年10月30日 10:43 | 档案 | 引用
Bill 说:
PS:本文只是主要介绍了UTF-8编码,下面这篇文章对于GB码与Big5有更详细的介绍。
汉字编码中现在主要用到的有三类,包括GBK,GB2312和Big5。
1、GB2312又称国标码,由国家标准总局发布,1981年5月1日实施,通行于大陆。新加坡等地也使用此编码。它是一个简化字的编码规范,当然也包括其他的符号、字母、日文假名等,共7445个图形字符,其中汉字占6763个。我们平时说6768个汉字,实际上里边有5个编码为空白,所以总共有6763个汉字。
GB2312规定“对任意一个图形字符都采用两个字节表示,每个字节均采用七位编码表示”,习惯上称第一个字节为“高字节”,第二个字节为“低字节”。GB2312中汉字的编码范围为,第一字节0xB0-0xF7(对应十进制为176-247),第二个字节0xA0-0xFE(对应十进制为160-254)。
GB2312将代码表分为94个区,对应第一字节(0xa1-0xfe);每个区94个位(0xa1-0xfe),对应第二字节,两个字节的值分别为区号值和位号值加32(2OH),因此也称为区位码。01-09区为符号、数字区,16-87区为汉字区(0xb0-0xf7),10-15区、88-94区是有待进一步标准化的空白区。
2、Big5又称大五码,主要为香港与台湾使用,即是一个繁体字编码。每个汉字由两个字节构成,第一个字节的范围从0X81-0XFE(即129-255),共126种。第二个字节的范围不连续,分别为0X40-0X7E(即64-126),0XA1-0XFE(即161-254),共157种。
3、GBK是GB2312的扩展,是向上兼容的,因此GB2312中的汉字的编码与GBK中汉字的相同。另外,GBK中还包含繁体字的编码,它与Big5编码之间的关系我还没有弄明白,好像是不一致的。GBK中每个汉字仍然包含两个字节,第一个字节的范围是0x81-0xFE(即129-254),第二个字节的范围是0x40-0xFE(即64-254)。GBK中有码位23940个,包含汉字21003个。
Bill再推荐一个网站 专门介绍汉字与汉字计算机化的 汉典 http://www.zdic.net/
2007年10月30日 22:26 | 档案 | 引用
简单 说:
http://www.zdic.net/
很强的网站,收藏
2007年10月31日 09:06 | 档案 | 引用
Ruan YiFeng 说:
这篇网志中有两个地方需要补充一下,我忘了在原文中提到。
1.
国际标准化组织通过了一套ISO-8859-1的编码,规定了单字节256个符号的编码方式。目前,这是8位编码的国际标准。
2.
Unicode编码中表示字节排列顺序的那个文件头,叫做BOM(byte-order mark),FFFE和FEFF就是不同的BOM。
UTF-8文件的BOM是“EF BB BF”,但是UTF-8的字节顺序是不变的,因此这个文件头实际上不起作用。有一些编程语言是ISO-8859-1编码,所以如果用UTF-8针对这些语言编程序,就必须去掉BOM,即保存成“UTF-8—无BOM”的格式才可以,PHP语言就是这样。
2007年10月31日 23:57 | 档案 | 引用
请教 说:
我怎么用 notepad 保存成 UTF-8 后
用 UltraEdit 看 还是 FF FE 25 4E啊???
2007年11月24日 01:36 | 档案 | 引用
请教 说:
2007年11月24日 02:15 | 档案 | 引用
Cloudream 说:
(点击支持我)
这些字符是违反adsense规定的……
2007年11月27日 19:08 | 档案 | 引用
jackywdx 说:
这么精彩的讲解,实在不得不向作者致敬!
内容讲解得非常详细但又通俗易懂,谢谢了~~
2008年3月10日 10:01 | 档案 | 引用
jinwangen 说:
非常感谢
2008年4月23日 09:22 | 档案 | 引用
LMN 说:
非常感谢,值得一看
2008年5月 4日 13:07 | 档案 | 引用
网友 说:
标题“6. Unicode与UTF-8之间的转换”不严谨。
Unicode是一种字符集,概念比较抽象,你已经提到,它存储的时候必须用适当的编码方式。
你的标题的意思,实际上是UTF-16和UTF-8之间的转换。
至于windows notepad保存对话框的编码方式列表中列出“Unicode”这一个名字,实际上是一个通俗的称呼(来自windows NT的早期版本的习惯,一直沿用),指UTF-16,而不是严格的称呼。希望你行文不要受这个影响。
2008年5月 8日 17:15 | 档案 | 引用
Ruan YiFeng 说:
UTF-16不等于unicode啊,不能混为一谈。
2008年5月 9日 00:33 | 档案 | 引用
Ivan WONG 说:
嗯,看完了長不少知識.
2008年5月12日 11:19 | 档案 | 引用
Michael Zheng 说:
我只能这么说,看了那么多的对字符集的解释
这个绝对是最通俗易懂并且还解决了常见疑问的最好的文章 :)
收藏
2008年5月12日 12:42 | 档案 | 引用
wxs8088 说:
很好的一编文章
2008年5月16日 03:07 | 档案 | 引用
人跟人的差距咋就这么大呢 说:
好文章!收藏了!
楼主何不把ansi编码方式也说说!
让俺这样的小学新生借楼主的理解能力再学习一把.
2008年5月16日 11:58 | 档案 | 引用
学习了 说:
学习了
2008年6月25日 11:20 | 档案 | 引用
水中鱼 说:
UTF-16扩充了Unicode,包括了一些稀有字符,想我们国家的满文,藏文等等,两者基本上等价
2008年7月11日 10:44 | 档案 | 引用
heroboy 说:
其实我认为,编码其实有2个意思。1.一个是把字符和数字对应起来(比如unicode和GBXXXX等)。2.还有就是相应在数字在计算机中的表示,也就是和字节序列对应起来(比如utf8,mbcs等)。
我有个问题,windows下的mbcs编码(2)用的编码(1)是不是GB系列的编码(1),而unicode编码(2)用的是unicode编码(1)
2008年7月31日 15:07 | 档案 | 引用
Demo 说:
拜读。。。受益匪浅。。长见识了 。。顶楼主
2008年8月15日 01:56 | 档案 | 引用
GoBoat 说:
很精彩啊
2008年8月25日 11:11 | 档案 | 引用
yangxiups 说:
有时总想去搞清楚他们的区别,可总是无果而终。
讲的很通俗。收藏了。
2008年8月26日 16:58 | 档案 | 引用
Maxwell 说:
通俗易懂,对楼主的付出表示感谢。
好文章,收藏!
2008年8月26日 18:03 | 档案 | 引用
hao 说:
Big endian 是大头,还是大尾?
2008年9月 4日 10:18 | 档案 | 引用
gaga 说:
本文充分展现了阮兄收集信息,总结和归纳信息的能力,佩服和学习!
2008年9月 8日 12:02 | 档案 | 引用
BATMAN 说:
非常感谢楼主提供的信息,支持个
2008年9月24日 20:54 | 档案 | 引用
zhangzhen 说:
挺好的,谢谢
2008年10月 3日 11:20 | 档案 | 引用
陈 说:
谢谢
2008年10月10日 21:36 | 档案 | 引用
Texas 说:
非常感谢楼主。
请继续写DBCS->UNICODE的文章
2008年10月30日 12:06 | 档案 | 引用
riskman 说:
写得真不错!!
2008年10月30日 15:07 | 档案 | 引用
Taken 说:
感谢阮兄精彩讲解...收获良多
另:能否稍微再增加点UTF-16,UTF-32的基本介绍和应用范围的介绍...
2008年11月 6日 15:41 | 档案 | 引用
syjun37 说:
非常感谢这篇文章,我想请问一下,GBK和BIG5之间的关系是怎样的呢?是包含还是交集呢?
2008年11月 7日 13:33 | 档案 | 引用
gg 说:
2008年11月26日 23:04 | 档案 | 引用
Honeyhacker 说:
相当不错,这是我打算研究编码的时候看到的第一篇文章。几天之后再来评论!!
2008年11月28日 08:45 | 档案 | 引用
Honeyhacker 说:
你在文中提到:“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”。我在http://dev.csdn.net/develop/article/83/83012.shtm上看到:
以下是Unicode和UTF-8之间的转换关系表:
U-00000000 - U-0000007F: 0xxxxxxx
U-00000080 - U-000007FF: 110xxxxx 10xxxxxx
U-00000800 - U-0000FFFF: 1110xxxx 10xxxxxx 10xxxxxx
U-00010000 - U-001FFFFF: 11110xxx 10xxxxxx 10xxxxxx 10xxxxxx
U-00200000 - U-03FFFFFF: 111110xx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx
U-04000000 - U-7FFFFFFF: 1111110x 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx
该文中明显说到UTF-8不限于四个字节。
请问得到1-4个字节的结论是从哪里找到的?
2008年11月28日 10:23 | 档案 | 引用
Ruan YiFeng 说:
早先的规定是,utf-8可以到6个字节。但是,这已经废除了,目前规定是只支持4个字节,大于U+001FFFFF的符号utf-8不再支持。具体请参阅wikipedia。
2008年11月28日 11:18 | 档案 | 引用
Honeyhacker 说:
原来如此!感谢你的回复!再问一个问题,从网络中抓获的数据报,在用wireshark分析的时候,如何判断其中的哪些数据使用了Unicode编码?(从snort给出的信息中,该条数据确实有Unicode编码)。
2008年11月28日 21:38 | 档案 | 引用
morpheus 说:
前辈,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
这个是怎么实现的呢,我有点不明白,还望回复一下,感激不尽。
2008年11月29日 13:31 | 档案 | 引用
Honeyhacker 说:
或者这样说,两台主机通信的时候,A接收到B发送的消息后,它如何知道该报文采取的是什么编码类型?在报文的格式里面好像没有提到这一点吧!
2008年12月 1日 09:47 | 档案 | 引用
chen3feng 说:
Windows 从 NT 开始,一开始的内码是 UCS-2,只支持 Unicode BMP 字符,后来做了扩充,目前的内码就是 UTF-16,通常不严格地称为 Unicode。
2008年12月 2日 10:15 | 档案 | 引用
Honeyhacker 说:
2008年12月 7日 22:14 | 档案 | 引用
想 说:
受益匪浅谢谢老师!
2009年1月16日 16:34 | 档案 | 引用
挪威的森林 说:
好文!是我看过的关于字符/字符集入门文章中最通俗易懂而又有效的一篇!
2009年1月20日 00:08 | 档案 | 引用
wangkai 说:
佩服,不得不顶,一直想搞清楚,今天总算清楚了一点
2009年2月13日 22:17 | 档案 | 引用
wangkai 说:
关于第8点:8. 实例
我照着做了,但是结果却不是这样,
后面三种方式显示的都是 FF FE 25 4E
这是怎么回事?
我用的是vista系统
2009年2月13日 22:50 | 档案 | 引用
ArthurLee 说:
通俗易懂,受益匪浅,谢谢指教!O(∩_∩)O~
2009年2月23日 20:44 | 档案 | 引用
www 说:
很感谢 写的很生动 楞看了百度百科半天没懂。。。
2009年3月 9日 23:10 | 档案 | 引用
xingyifeng 说:
谢谢
你们的讨论很精彩
这样才会有长进
2009年4月22日 11:56 | 档案 | 引用
手脚冰凉 说:
一直对这些字符集和编码比较头疼,今天看了阮兄和大家的讨论,终于有点清楚了,谢谢阮兄给大家带来这么好的文章。
2009年5月 5日 09:03 | 档案 | 引用
illidan.zen 说:
通俗易懂,我顶!
2009年5月29日 08:41 | 档案 | 引用
sanki 说:
不错不错,写得太棒了!
2009年5月31日 22:48 | 档案 | 引用
cocobear 说:
写得不错。。
2009年6月 1日 13:56 | 档案 | 引用
IT民工 说:
>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。
有一点疑问,unicode编码使用2个字节也就是16位2进制数字来表示字符,那么在存储的时候,为什么会超过2个字节以上呢?
unicode所能定义的符号总共有65536个,而且里面的每一个符号都是用2个字节表示的,包括ascii码也都是在高位补零的,麻烦楼主解释一下
2009年6月30日 15:26 | 档案 | 引用
vivi 说:
在实例8中,我这里ASCII码是D1 CF。但是其它的存储方式,打开都是显示 FF FE 25 4E,不论用什么方式存储?
2009年7月 6日 10:45 | 档案 | 引用
jing.lu 说:
非常生动形象,易于理解,很不错。
2009年8月10日 16:28 | 档案 | 引用
xix 说:
太感谢您的文章了,收藏了。
之前也看过几篇介绍utf8编码的,但都是语言生硬晦涩的长篇大论,感觉太专业、太复杂,看着头大。
这篇文章总结的很好,本来繁杂的东东,理得很清晰易懂。感谢!
2009年9月29日 17:15 | 档案 | 引用
patric 说:
vivi 说:
在实例8中,我这里ASCII码是D1 CF。但是其它的存储方式,打开都是显示 FF FE 25 4E,不论用什么方式存储?
我操作了,和你说的情况一样。
2009年10月22日 09:19 | 档案 | 引用
2 说:
一知半解,误人子弟
2009年11月18日 09:20 | 档案 | 引用
美丽明天 说:
我想把网站做成韩文的,不知道有什么好方法.
2009年11月23日 09:13 | 档案 | 引用
jhx 说:
谢谢了!
2009年11月27日 16:14 | 档案 | 引用
houkai 说:
写的很通俗 学懂了 谢谢!
2009年12月23日 11:33 | 档案 | 引用
goodappli 说:
第一个参考链接太难打开了,半天都没有载入,让人崩溃,改天再试。
2009年12月30日 22:31 | 档案 | 引用
flowsands 说:
阮大有空再来聊聊新字符集国标GB18030吧,Superset of gb2312.
参见:http://en.wikipedia.org/wiki/GB_18030
2010年1月 5日 16:24 | 档案 | 引用
XjAcKs 说:
原来是这样,这下更清楚了。谢谢!
2010年2月12日 09:11 | 档案 | 引用
allen 说:
感谢,写的很清楚详细
2010年3月23日 11:10 | 档案 | 引用
htc 说:
写得太好了,感谢楼主的贡献
2010年3月25日 15:50 | 档案 | 引用
mlmt 说:
正在头痛这个编码的事,感谢楼主。
延伸阅读里的第一个链接是英文.再次证明,学好英文是一件多少重要的事。
2010年5月13日 08:45 | 档案 | 引用
Tdou 说:
写的通俗易懂,谢谢了!
2010年5月20日 14:41 | 档案 | 引用
Harly 说:
此文从框架上说明了字符编码的套路。我见过太多的不明就里的人,写这样的文章,试图阐明字符编码系统,但限于其人先天上大脑逻辑混乱,后天上一知半解,结果就是胡说八道,情形就像:分不清class和instance的区别。
2010年6月28日 13:48 | 档案 | 引用
azziporah 说:
非常同意ls的观点
字符编码是跨越电子通信和语言文字两大领域的庞大系统。其一是“编码”本身,伴随着电子和通信技术的发展一直在改进,同时也带来了许多legacy的产物;其二是“字符”,由于人类语言/书写系统的多样性和复杂性,将编码应用到语言文字上来又是一大难题,各种语言文字有各自的出发点和难点。因此,尝试解决这一混乱局面的UCS/Unicode实在是一项恢弘的工程。无怪乎lz在开头就说了,这个问题比他想象中复杂。
即使是现在最常见的7-bit ASCII,虽然看上去比较简单、且有些杂乱无章,实则每个字符的排布都经过了精心的设计,包括性能上的、工程上的、兼容性上的许多考虑因素。
另外,说起字符编码,就会有许多含糊不清、容易混淆的词汇,其中很多是基于历史原因,还有一些以讹传讹的和巧合的因素,这方面也是需要注意的。
对于大多数人来说,即使您已经系统地学习过数电/计算机课程,我仍然推荐阅读《编码的奥秘》。有较好的基础的人可以参考一下资料
http://scripts.sil.org/Home
http://www.unicode.org/standard/standard.html
http://msdn.microsoft.com/en-us/library/dd318661(v=VS.85).aspx
2010年7月31日 00:54 | 档案 | 引用
盗版小米米 说:
形象生动,易于理解!!!!牛
2010年9月 6日 20:40 | 档案 | 引用
RGLS 说:
非常感谢lz的文章,介绍得很清楚。
2010年9月22日 10:59 | 档案 | 引用
树树 说:
写得很好,一直不太明白字符编码方面的东西
2010年10月 3日 17:26 | 档案 | 引用
o0o0o 说:
细想起来,可能这是我看到的最好一阐述编码的文章,精炼易懂,big endian和little endian来源的有趣介绍让人印象深刻
2010年11月29日 15:11 | 档案 | 引用
atom 说:
文章恒久远,一篇永流传。感谢阮兄的劳动!
2011年1月 8日 20:12 | 档案 | 引用
c0ming 说:
big endian和little endian 应该有更好的译名:大、小端。在网络编程 和 嵌入式方面都是这样译。
2011年1月28日 22:20 | 档案 | 引用
落叶 说:
刚研究UNICODE与ASCII之间的转换工具,突然想到为啥UTF-8和UNICODE长得这么像啊,如果Google了一下,看到这篇文章,真的不错。
2011年3月 4日 20:55 | 档案 | 引用
yanghe 说:
通俗易懂,支持
2011年3月24日 20:15 | 档案 | 引用
frostmoon 说:
正在学习编码 兄弟的文章通俗易懂 豁然开朗!
2011年3月30日 11:10 | 档案 | 引用
javie 说:
奇怪 我的“严”的UTF8二进制怎么都是fffe 254e??
试过记事本 ,emeditor,ultraedit都是
2011年4月 4日 10:04 | 档案 | 引用
johnw 说:
拜读了,最近正在弄Java的乱码问题,看完了明白了很多原理性的东西!
2011年4月 6日 10:55 | 档案 | 引用
towry 说:
很有帮助啊,谢谢分享。转到我的QQ空间里了,慢慢看。
2011年6月12日 20:47 | 档案 | 引用
DerekWu 说:
很好,通俗易懂。谢谢。
2011年6月21日 17:42 | 档案 | 引用
yuhai 说:
文中所提的大端法和小端法用来描述字节序列问题不够详细
2011年6月30日 15:32 | 档案 | 引用
zhenyulu 说:
非常好,网上搜了半天资料,还是这篇文章写得好!
2011年7月20日 13:53 | 档案 | 引用
cumirror 说:
很详细易懂,赞一个~
2011年7月25日 18:04 | 档案 | 引用
胡营 说:
看了很多资料都没看懂,这下懂了!赞一个!o(≧v≦)o~~好棒
2011年8月 1日 17:32 | 档案 | 引用
evil39c 说:
终于弄懂UTF-8了,谢谢。
2011年8月24日 15:49 | 档案 | 引用
ray 说:
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。
4E25不是code point吗?应该是经utf8转换为E4B8A5这三个字节才涉及字节序问题吧?
2011年9月 2日 17:03 | 档案 | 引用
葫芦 说:
第四、五节不是很好理解。
很棒的文章。
2011年9月16日 14:31 | 档案 | 引用
森马 说:
转你的博客了,对我很有用。多谢。
另外文中连接的unicode的编码表里面数据貌似不对。
2011年11月 7日 11:23 | 档案 | 引用
小郭 说:
这篇文章真的很棒 谢谢
2011年11月15日 02:27 | 档案 | 引用
Lidh 说:
UTF-8文件的BOM“EF BB BF”,它实际上就是FE FF用UTF-8编码而得到的
2011年11月24日 11:21 | 档案 | 引用
张彦飞 说:
结合最常用的记事本来介绍Unicode,UTF-8. 太好了!!
2011年12月20日 12:01 | 档案 | 引用
negatlov 说:
这个说法很正确。的确换成utf-16准确点。mac osx这上面做得就很好。
2012年1月24日 11:46 | 档案 | 引用
negatlov 说:
记得utf-16是unicode的具体实现方法。你这种说法本来就有混淆概念。
2012年1月24日 11:48 | 档案 | 引用
Finals 说:
这个可以用来分段读取UTF-8字符,不错
2012年2月25日 15:41 | 档案 | 引用
旦旦 说:
藏文最好的那种啊字符编码?如在QT里
2012年3月16日 00:43 | 档案 | 引用
pw.cheng 说:
非常感谢楼主的讲解,我想知道的你说了好多,这个地址收藏了
2012年5月 2日 17:32 | 档案 | 引用
U雅de凋0 说:
好东西 !谢谢 峰哥 的总结 与 无私奉献!我不用再 苦苦 搜索了!谢谢
2012年5月 8日 18:22 | 档案 | 引用
葫芦 说:
2012年6月14日 09:45 | 档案 | 引用
qqtoys 说:
写得很清楚,非常受用。谢谢作者。
2012年6月28日 09:40 | 档案 | 引用
半睡的灰狼 说:
写的真的挺不错的! 顶
2012年7月18日 14:16 | 档案 | 引用
mm 说:
Windows 7 簡體中文版用的是GBK編碼,兼容GB2312。
2012年7月26日 14:25 | 档案 | 引用
残阳 说:
你好,目前被一个问题困扰。。。
是这样的,有一被压缩过的流没有解压而直接被转化成字符串了(当然是乱码了),这是新浪的一个云应用FetchURL干的。。。我看了他们的源码,直接用apache提供的包中的EntityUitls中的toString方法转化成字符串了,所以我在发送请求的时候在加上请求头Accept-Encoding:gzip,他们没有解压就直接转化成字符串了。问题来了,我现在的作法是把这个字符串转化成字节,然后解压,具体的作法是:用String类中的getBytes(Charset),然后InputStream in1 = new GZIPInputStream(new ByteArrayInputStream(bytes1)),这里报错了,这个bytes1的字节已经不是1f 8b开头的,也就是说不是压缩过的模式了,求解。。。为什么。。难道EntityUitls,把压缩过的流转化为字符串的时候丢了字节码,还是什么情况(这里有个特例,就是ISO-8859-1可以还原,其余都不行)。。。
2012年7月30日 15:17 | 档案 | 引用
xiaobin 说:
写的太好了。有个问题想请教下,mysql中是如何用latin1来存中文的。
2012年8月20日 10:40 | 档案 | 引用
Daniel 说:
@残阳:
关于使用ISO-8859-1,我认为是因为:
“ISO-8859-1 字符集的编码范围是 0000-00FF,正好和一个字节的编码范围相对应。这种特性保证了使用 ISO-8859-1 进行编码和解码可以保持编码数值“不变”。虽然中文字符在经过网络传输时,被错误地“拆”成了两个欧洲字符,但由于输出时也是用 ISO-8859-1,结果被“拆”开的中文字的两半又被合并在一起,从而又刚好组成了一个正确的汉字。”
具体可以看搜到的这篇blog:
http://www.ibm.com/developerworks/cn/java/j-lo-chinesecoding/
2012年8月25日 17:03 | 档案 | 引用
彗星 说:
确实深入浅出,不错!
2012年9月 5日 16:49 | 档案 | 引用
烂烂 说:
前几天才从fanfou看到linus的帖
今天找编码 就又找到这里
2012年9月 8日 17:13 | 档案 | 引用
shuiyouren 说:
非常感谢您的分享,我一直在纳闷计算机是如何判断utf-8中的ascii部分,现在完全清晰了,额,竟然一直没发现ascii保留了最高位为0……
2012年9月18日 11:40 | 档案 | 引用
icolin 说:
"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。"
文中的big endian 和 little endian,翻译成“大尾”和“小尾”是不是更恰当?理由如下:
FEFF: FF 比 FE大且FF在后面,显示就是“大尾”
另外你在延伸阅读中提到的文章也是翻译成“大尾”和“小尾” (谈谈Unicode编码)
2012年10月23日 16:51 | 档案 | 引用
Poken-Chen 说:
哈哈,谢谢啊。
我有个私人问题可以问一下吗?
就是如果有了新字符的话?如何添加到Unicode里呢?怎么向Unicode或者国家申请吗?会通过吗?
2012年10月28日 04:44 | 档案 | 引用
xiekun 说:
我有个疑问“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”
请阮兄指教,不是说用FE,FF来表示大端和小端吗,为啥说从上面的编码可以看出是采用大头方式的呢
2012年11月 7日 23:14 | 档案 | 引用
FallenMax 说:
感谢阮老师,和所引用资料的作者。好文,清晰易懂。
2012年12月12日 14:28 | 档案 | 引用
情花一冲 说:
我只想说:我很感动,感动楼主的清晰易懂,一天的bug,终于在此贴解决,,,苦逼的程序员,,,想哭 。。。。
2012年12月29日 21:36 | 档案 | 引用
xujinnan 说:
这个问题也是我一直想弄清楚的,今天终于找到了篇好的文章,受益匪浅啊,感谢博主!
2013年1月19日 11:53 | 档案 | 引用
Homer 说:
感谢楼主!要是大学教材都用这种风格来编写,估计四年的计算机课程,真正在读书的1年就够了!!
utf-8的设计的确很巧妙:“2)对于n字节的符号(n>1),第一个字节的前n位都设为1【后面有几个字节兄弟们,就设计几个的显示位!计算机首先读到的,就是应该作为一组来解析的字节兄弟总数】,第n+1位设为0【表示显示位结束!】,后面字节的前两位一律设为10【表示这些字节都是被刚才那个leader领导的兄弟们】……”
另请教一下,对于在128—255的ASCII扩展字符,由于利用了最高位,应该就是与utf-8不一样了吧?
2013年1月20日 17:55 | 档案 | 引用
aisensiy 说:
一直对 utf-8 unicode 很模糊,这篇完整讲的太到位了
2013年3月25日 14:45 | 档案 | 引用
ChanneW 说:
可是,以ANSI方式保存的文本文档也能正常显示中文啊~
2013年4月 3日 18:52 | 档案 | 引用
David 说:
好早的文章,居然被人推荐过来了,真是很好的科普文章。
关于 UTF-8,它有一个非常好的特性文中应该顺带提一下:虽然不同的字符字节数不同,但是任何一个字符不会是另一个字符的一部分。这使得基于字节的字符串匹配算法可以直接应用在 UTF-8 上。一些新兴的语言,如 Go ,字符串处理方面有很大部分是针对 UTF-8 编码的,个人感觉是空间、执行效率以及编程复杂度比较好的平衡。
2013年4月 8日 15:15 | 档案 | 引用
峰 说:
很容易理解。
2013年4月19日 14:12 | 档案 | 引用
hilojack 说:
ucs2不能实现两字节以上字符,得使用支持4字节的utf16,我的博客 字符编码入门有提及
2013年5月27日 02:17 | 档案 | 引用
千鹤 说:
再看一遍效果又不同了,证明自己没懂。
2013年6月 5日 09:35 | 档案 | 引用
leo569 说:
阮老师的文章,绝对值得一读。以前写java的,对底层了解相对缺失,现在写C++遇到这类问题极为棘手。拜读了
2013年7月23日 14:22 | 档案 | 引用
FlyingFish 说:
讲得通俗易懂,很明白。谢谢作者!
2013年8月 7日 20:16 | 档案 | 引用
闻一多 说:
这样的基础的东西很好。
2013年8月 8日 05:16 | 档案 | 引用
小明 说:
好文章,不太长的文章能把事情都说明白,很不简单。
2013年8月25日 21:38 | 档案 | 引用
peach5460 说:
太有帮助了,我以前从没真正弄懂过字符编码...
2013年9月 4日 09:29 | 档案 | 引用
平和的心 说:
有个问题请教一下,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。那对于Unicode编码超过两个字节的,就没法保存了?
2013年10月17日 17:35 | 档案 | 引用
游客 说:
还有UCS-4呗,当然UCS-2用的比较多而已,可编码的汉字也仅仅是个子集而已。
2013年10月24日 17:11 | 档案 | 引用
fly 说:
这么精彩的讲解,实在不得不向作者致敬!
内容讲解得非常详细但又通俗易懂,谢谢了~~
2013年11月 5日 11:11 | 档案 | 引用
apollo 说:
你好,我用uncode保存“严”, 用hex查看是:e4 b8 a5 00 c4 00。而后三个字节,00 c4 00会因为的我保存一直在变化,有的时候会是 00 ee 3e,有的时候直接空了~
我用的win7
后来,经过尝试,又出现了BOM,显示为文中提到的ff fe 25 4e
这种情况最让人蛋疼了,搞不清是为什么~
求教楼主
2013年11月15日 15:20 | 档案 | 引用
digdeep126 说:
一直对这一块没有完全弄明白,博主真是个打破沙锅问到底的人。感谢博主的精彩文章。
2013年11月24日 23:11 | 档案 | 引用
loli 说:
博主,这事我迄今看过最通俗易懂的 关于编码的文章了,太感谢了。之前看过其他很多,都是一头雾水。。
2013年12月26日 10:22 | 档案 | 引用
wwj 说:
近期发现您的文章,觉得很多都值得收藏,通俗易懂!非常感谢分享知识和想法
2014年1月18日 00:45 | 档案 | 引用
Song 说:
一点小小的问题,有一个地方『根据』的『根』写为了『跟』,变成了『跟据』
2014年1月26日 23:36 | 档案 | 引用
le 说:
非常感谢。通俗易懂。
2014年2月10日 09:58 | 档案 | 引用
share 说:
非常通俗易懂
2014年3月20日 10:58 | 档案 | 引用
lan 说:
非常有用,受益匪浅,感谢!
2014年3月24日 11:11 | 档案 | 引用
mll 说:
UTF-8的表示算法:既然第一个字节的"1"的数量就表示了整个当前字符的字节数,为什么后续字节还需要"10"作为前缀,这不是白白浪费了每个字节中的两个位吗?
2014年3月31日 12:27 | 档案 | 引用