1 引言
任何文字在计算机中都需要编码。由于计算机是由国外引进所以最先有的就是英文字符的编码集即ASCII,之后当然就有了中国汉字的GB2312编码方式,繁体是由BIG5编码。而常见的GBK方式只是GB2312的扩展,通常认为中文字符编码方式为GBK。由上可见,不同文字都有对应的编码方式,非常繁杂,于是乎就有官方制定了统一的格式Unicode编码。需要非常注意的是Unicode只是一种编码方式,即提供的是字符和数字的映射关系,并不提供它的计算机表示实现方式。于是乎就有了UTF-16高尾端、UTF-16低尾端和UTF-8的存储方式。即这三种只是用来计算机存储,它们的“翻译”过程是,计算机编码(UTF-16/UTF-8)到Unicode编码再经过查询文件找到对应的字符。
2 ASCII编码
建立英文字符与二进制的映射关系,用一个字节表示。共规定128个字符编码,存储上占用一个字节的7位,最前面第一位统一为0。[可以作为简单识别的法则]
3 GBK编码
中文字符的编码方式,GBK 亦采用双字节表示,总体编码范围为8140-FEFE,首字节在 81-FE 之间,尾字节在 40-FE 之间,剔除 xx7F 一条线。总计 23940 个码位,共收入 21886 个汉字和图形符号,其中汉字(包括部首和构件)21003 个,图形符号 883 个。
注意:在Windows中文系统中,如果要将文本另外为其它格式中,提供选择的并没有GBK,这是因为统一成ASCII编码格式,即存储为ASCII编码时,如果文档中有中文字符那么默认会用GBK的方式翻译成二进制数字。
4 Unicode编码
利用三字节甚至更多表示,即建立了三个字节数据到对应字符的映射。如果直接采用三字节存储很明显浪费很多内存。因此有三种实现方式。再次强调只是实现方式,它们都要先翻译成三字节的Unicode编码,然后得到对应的字符。
4.1 UTF-16高尾端和UTF-16低尾端
4.1.1 简介
两者编码方式相似,区别只在于存储的是按高尾端方式存储还是低尾端方式存储。在Windows记事本中另存为“Unicode”是指用UTF-16低尾端格式编码,而“Unicode big endian”是利用UTF16高尾端格式编码。用十六进制显示文本可以发现,UTF16高尾端的前2字节分别是FE FF而UTF16低尾端的前2字节是FF FE。
注意,这里的16,并不是指仅用2字节存储,16位只是一个单位,当然绝大多数部分2字节够用。具体规则见4.1.2。
4.1.2 编码规则
[以下摘自百科]
把Unicode
如果U<0x10000,U的UTF-16编码就是U对应的16位无符号整数(为书写简便,下文将16位无符号整数记作WORD)。
如果U≥0x10000,计算U'=U-0x10000,然后将U'写成二进制形式:yyyy
例如:Unicode编码0x20C30,减去0x10000后,得到0x10C30,写成二进制是:0001
4.2 UTF-8
4.2.1 简介
同样,8并不是只用8位1字节来表示,而是用变长来表示1-4字节表示。它的最大优点在于,1节省内存空间,2兼容ASCII标准。
4.2.2 编码规则
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。
例如“严”的unicode是4E25(100111000100101),根据上表,可以发现4E25处在第三行的范围内(00000800-0000 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。
5 其它
5.1 转换代码
见参考文献【3】。
5.2 识别方法
即拿到一个文件如何识别是用何种字符编码而成。分别读取前3字节,如果是0xEF, 0xBB, 0xBF那么该文件编码方式为UTF-8。如果前2字节是0xFF, 0xFE则是UTF16低尾端,如果前2字节是0xFE, 0xFF那么表示的是高尾端,如果都不是,那么肯定存储的是ASCI文件。
不难发现上述方法并没有区分ASCII和GBK编码,这是因为再者没有交集,而且在Windows中都是存储为ASCI编码。所以如果上述规则都不符合,就认为是ASCI格式。那么对ASCII格式文件的读取方法就不能一字节一字节读取,而是每读一个字节,就分析最高位是否为1,如果为1表示编码为GBK用的是中文字节,所以接着取一个字节,联合在一起去国标码中查找对应字符。如果是0,那么表示的就是英文字符,不继续读取。
5.3 gcc
在编译文件时,需要注意,GCC中默认源文件和生成文件都是以UTF-8解析和存储的,可以利用如下参数确定。尤其是源文件中含有中文时,特别要注意,最好指定编码集。
-finput-charset=charset 表示源文件的编码方式, 默认以UTF-8来解析
-fexec-charset=charset 表示可执行程序里的字时候以什么编码方式来表示,默认是UTF-8
参考文献
[1] http://www.ruanyifeng.com/blog/2007/10/ascii_unicode_and_utf-8.html
[2] http://blog.sina.com.cn/s/blog_4aa887440101arks.html
[3] http://www.cnitblog.com/wujian-IT/archive/2007/12/13/37671.html