1 字符集和字符编码的区别和联系
◼ 字符集:多个字符的集合。例如GB2312是中国国家标准的简体中文字符集,GB2312收录简化汉字(6763个)及一般符号、序号、数字、拉丁字母、日文假名、希腊字母、俄文字母、汉语拼音符号、汉语注音字母,共 7445 个图形字符。 ◼ 字符编码:把字符集中的字符编码为(映射)指定集合中的某一对象(例如:比特模式、自然数序列、电脉冲),以便文本在计算机中存储和通过通信网络的传递。
◼ 字符编码:把字符集中的字符编码为(映射)指定集合中的某一对象(例如:比特模式、自然数序列、电脉冲),以便文本在计算机中存储和通过通信网络的传递。
◼ 字符集和字符编码的关系 :
1. 字符集是书写系统字母与符号的集合
2. 而字符编码则是将字符映射为一特定的字节或字节序列,是一种规则。
通常特定的字符集采用特定的编码方式(即一种字符集对应一种字符编码(例如:ASCII、IOS-8859-1、GB2312、GBK,都是即表示了字符集又表示了对应的字符编码,但Unicode不是,它采用现代的模型))
2 字符集编码的发展
单字节 -> 双字节 -> 多字节
(1) 单字节
ASCII(American Standard Code for Information Interchange), 128个字符, 用7位二进制表示(00000000-01111111即0x00-0x7F); EASCII(Extended ASCII),256个字符,用8位二进制表示(00000000-11111111即0x00-0xFF)。 当计算机传到了欧洲,国际标准化组织在ASCII的基础上进行了扩展,形成了ISO-8859标准,跟EASCII类似,兼容ASCII,在高128个码位上有所区别。但是由于欧洲的语言环境十分复杂,所以根据各地区的语言又形成了很多子标准,ISO-8859-1、ISO-8859-2、ISO-8859-3、……、ISO-8859-16。
(2) 双字节
当计算机传到了亚洲,256个码位就不够用了。于是乎继续扩大二维表,单字节改双字节,16位二进制数,65536个码位。在不同国家和地区又出现了很多编码,大陆的GB2312、港台的BIG5、日本的Shift JIS等等。 注意65536个码位这种说法只是理想情况,由于双字节编码可以是变长的,也就是说同一个编码里面有些字符是单字节表示,有些字符是双字节表示。这样做的好处是,一方面可以兼容ASCII,另一方面可以节省存储容量,代价就是会损失一部分码位。
GBK(Chinese Internal Code Specification汉字内码扩展规范)是GB2312的扩展(gbk编码能够用来同时表示繁体字和简体字),按理说都属于双字节编码,码位是一样的,根本谈不上扩展,但实际上是预留空间在起作用。比如下图为GBK的编码空间,GBK/1、GBK/2是GB2312的区域,GBK/3、GBK/4、GBK/5是GBK的区域,红色是用户自定义区域,白色可能就是由于变长编码损失的区域了。
支持国际标准ISO/IEC10646-1和国家标准GB13000-1中的全部中日韩汉字。
GBK字符集中所有中文字符和全角符号占2个字节,字母和半角符号占一个字节。 没有特殊的编码方式,习惯称呼GBK 编码。一般在国内,汉字较多时使用。
当互联网席卷了全球,地域限制被打破了,不同国家和地区的计算机在交换数据的过程中,就会出现乱码的问题,即对同一组二进制数据,不同的编码会解析出不同的字符。
UNICODE 字符集国际标准字符集,它将世界各种语言的每个字符定义一个唯一的编码,以满足跨语言、跨平台的文本信息转换。 有多个编码方式,分别是 UTF-8,UTF-16,UTF-32 编码。
范例:“汉字”对应的 UNICODE 数字是 0x6c49 和 0x5b57,而编码的程序数据是:
- UTF8 编码: E6B189 E5AD97
- UTF16BE 编码:6C49 5B57
- UTF32BE 编码:00006C490 0005B57
(3) 多字节
Unicode 字符集 可以使用的编码有三种:
- UFT-8:一种变长的编码方案,使用 1~6 个字节来存储;
- UFT-32:一种固定长度的编码方案,不管字符编号大小,始终使用 4 个字节来存储;
- UTF-16:介于 UTF-8 和 UTF-32 之间,使用 2 个或者 4 个字节来存储,长度既固定又可变。
UTF 是 Unicode Transformation Format 的缩写,意思是“Unicode 转换格式”,后面的数字表明至少使用多少个比特位(Bit)来存储字符
3 Unicode 字符集
Unicode 只是字符集,utf-8、utf-16、utf-32 才是真正的编码方式。
Unicode 字符集 可以使用的编码有三种:
UFT-8:一种变长的编码方案,使用 1~6 个字节来存储;Abc 只有 3 个字节
UFT-32:一种固定长度的编码方案,不管字符编号大小,始终使用 4 个字节来存储;存储 abc 3*4=12 字节
UTF-16:介于 UTF-8 和 UTF-32 之间,使用 2 个或者 4 个字节来存储,长度既固定又可变。
UTF 是 Unicode Transformation Format 的缩写,意思是“Unicode 转换格式”,后面的数字表明至少使用多少个比特位(Bit)来存储字符
UTF-8
UTF-8: 是一种变长字符编码,被定义为将代码点编码为 1 至 4 个字节,具体取决于代码点数值中有效位的数量。
注意:UTF-8 不是编码规范,而是编码方式
下表为 Unicode 值对应的 utf8 需要的字节数量。
Utf8 前缀编码格式
unicode 编码(16 进制) | UTF-8 字节流(二进制) |
000000 - 00007F | 0xxxxxxx ascii 码 |
000080 - 0007FF | 110xxxxx 10xxxxxx |
000800 - 00FFFF | 1110xxxx 10xxxxxx 10xxxxxx |
01 0000 - 10 FFFF | 11110xxx 10xxxxxx 10xxxxxx 10xxxxxx |
范例:计算 Unicode 码使用 utf8 进行表示:
例如:汉字 严的 Unicode 码是 4E25 转换成二进制就是 01001110 00100101 共 15 位,根据上表可知使用 UTF-8 字符编码后占 3 个字节,因此前 3 位是 1,第 4 位(n+1 位)
是 0,后面两个字节中每个字节的前两位都是 10,即 1110 xxxx 10 xxxxxx 10xxxxxx。填充进去后就变成了 1110 0100 10 111000 10 100101 共计 24 位占 3 个字节。
GBK 内码、Unicode 查询:http://www.mytju.com/classcode/tools/encode_gb2312.asp
UTF-16
UFT-16 比较奇葩,它使用 2 个或者 4 个字节来存储。
- 对于 Unicode 编号范围在 0~FFFF 之间的字符,UTF-16 使用两个字节存储,并且直接存储 Unicode 编号,不用进行编码转换,这跟 UTF-32 非常类似。
- 对于 Unicode 编号范围在 10000~10FFFF 之间的字符,UTF-16 使用四个字节存储,具体来说就是:将字符编号的所有比特位分成两部分,较高的一些比特位用一个值介于 D800~DBFF 之间的双字节存储,较低的一些比特位(剩下的比特位)用一个值介于 DC00~DFFF 之间的双字节存储。
Unicode 编号范围 (十六进制) | 具体的 Unicode 编号 (二进制) | UTF-16 编码 | 字节 |
0000 0000~0000 FFFF | xxxxxxxx xxxxxxxx | xxxxxxxx xxxxxxxx | 2 |
0001 0000~0010 FFFF | yyyy yyyy yyxx xxxx xxxx | 110110yy yyyyyyyy 110111xx xxxxxxxx | 4 |
UTF-32
UTF-32 是固定长度的编码,始终占用 4 个字节,足以容纳所有的 Unicode 字符,所以直接存储 Unicode 编号即可,不需要任何编码转换。浪费了空间,提高了效率。
UTF BOM 问题
BOM(Byte Order Mark)字节序(字节顺序的标识),其实就是用大端(BE)还是小端(LE)。 比如 UTF-16BE 和 UTF-16LE:
- UTF-16BE,其后缀是 BE 即 big-endian,大端的意思。大端就是将高位的字节放在低地址表示。
- UTF-16LE,其后缀是 LE 即 little-endian,小端的意思。小端就是将高位的字节放在高地址表示。
- UTF-16,没有指定后缀,即不知道其是大小端,所以其开始的两个字节表示该字节数组是大端还是小端。即 FE FF 表示大端,FF FE 表示小端。
UTF编码 | Byte Order Mark |
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 |
注:UTF-8缺省不带BOM
如“汉”字在文件中的存储(不包括头):
Unicode编码 | UTF-16LE | UTF-16BE | UTF32-LE | UTF32-BE |
0x006C49 | 49 6C | 6C 49 | 49 6C 00 00 | 00 00 6C 49 |
小结
程序打开一个文件时怎么识别用的是UTF-8还是UTF-16?
是否有标志做标志,在文件的开头几个字节就是标志.
➢ EF BB BF 表示UTF-8
➢ FE FF 表示UTF-16BE
➢ FF FE 表示UTF-16LE
➢ 00 00 FE FF 表示UTF32-BE
➢ FF FE 00 00 表示UTF32-LE
注意:只有 UTF-8 兼容 ASCII,UTF-32 和 UTF-16 都不兼容 ASCII,因为它们没有单字节编码。
查看完整的Unicode字符集,以及各种编码方式:https://unicode-table.com/cn/ Unicode和UTF编码转换:https://www.qqxiuzi.cn/bianma/Unicode-UTF.php
UTF-8缺省不带BOM
UTF-8中有一字节的情况,这种情况,就没有两端的说法了。至于另外的二,三,四字节情况,以三字节为例,如果你一定要弄出端法,也不是说不可以,比如,小端法就是“小-中-大”,大端法就是“大-中-小”。但现实情况是UTF-8仅仅采用了一种端法,就是大端法。
4 字符集相关命令
不同格式编码格式分析
文本内容:廖庆富 darren 老师
Unicode 编码:00005ED6 00005E86 00005BCC 00000064 00000061 00000072
00000072 00000065 0000006E 00008001 00005E08
UTF8 编码:E5BB96 E5BA86 E5AF8C 64 61 72 72 65 6E E88081 E5B888
UTF16BE 编码:FEFF 5ED6 5E86 5BCC 0064 0061 0072 0072 0065 006E 8001 5E08
UTF16LE 编码:FFFE D65E 865E CC5B 6400 6100 7200 7200 6500 6E00 0180 085E UTF32BE 编码:0000FEFF 00005ED6 00005E86 00005 BCC00000064000000610000007200000072000000650000006E0000800100005E 08
UTF32LE 编码:FFFE0000D65E0000865E0000CC5B000064000000610000007200000072000000650000006E00000001800000085E0000
Unicode 和 UTF 编码转换:https://www.qqxiuzi.cn/bianma/Unicode-UTF.php
file
命令:
file:查看文件的编码方式 (分析结果做一个参考) 范例:
file -i chatset.cpp
chatset.cpp: text/x-c++; charset=utf-8
file -i chatset-gbk2312.cpp
chatset-gbk2312.cpp: text/x-c++; charset=iso-8859-1
iconv
iconv 命令是用来转换文件的编码方式的,比如它可以将 UTF8 编码的转换成 GB18030 的编码,反过来也行。Linux 下的 iconv 开发库包括 iconv_open,iconv_close,iconv 等 C 函数,可以用来在 C/C++程序中很方便的转换字符编码
语法: iconv -f encoding [-t encoding] [inputfile]...
-f encoding :把字符从 encoding 编码开始转换。
-t encoding :把字符转换到 encoding 编码。
-l :列出已知的编码字符集合
-o file :指定输出文件
-c :忽略输出的非法字符
-s :禁止警告信息,但不是错误信息
--verbose :显示进度信息
-f 和-t 所能指定的合法字符在-l 选项的命令里面都列出来了。
查看支持的格式 iconv -l, 这里节选部分格式
UTF-8, UTF-16, UTF-16BE, UTF-16LE, UTF-32, UTF-32BE, UTF-32LE,
UTF8, UTF16, UTF16BE, UTF16LE, UTF32, UTF32BE, UTF32LE GB2312 GBK ISO-8859-1
转换各种格式
iconv -f UTF-8 -t UTF-8 utf8.txt -o UTF-8.txt iconv -f UTF-8 -t UTF8 utf8.txt -o UTF8.txt
iconv -f UTF-8 -t UTF-16 UTF-8.txt -o UTF-16.txt iconv -f UTF-8 -t UTF-16BE UTF-8.txt -o UTF-16BE.txt iconv -f UTF-8 -t UTF-16LE UTF-8.txt -o UTF-16LE.txt
iconv -f UTF-8 -t UTF16 UTF-8.txt -o UTF16.txt iconv -f UTF-8 -t UTF16BE UTF-8.txt -o UTF16BE.txt iconv -f UTF-8 -t UTF16LE UTF-8.txt -o UTF16LE.txt
iconv -f UTF-8 -t UTF-32 UTF-8.txt -o UTF-32.txt iconv -f UTF-8 -t UTF-32BE UTF-8.txt -o UTF-32BE.txt iconv -f UTF-8 -t UTF-32LE UTF-8.txt -o UTF-32LE.txt
iconv -f UTF-8 -t GB2312 UTF-8.txt -o GB2312.txt iconv -f UTF-8 -t GBK UTF-8.txt -o GBK.txt iconv -f UTF-8 -t ISO-8859-1 UTF-8.txt -o ISO-8859-1.txt
5 字符集转换编程
文档地址:http://www.gnu.org/software/libiconv/documentation/libiconv-1.13/
6 字符集应用案例
mysql 字符集设置
部分汉字在 mysql 使用 utf8 字符时写入出现异常,或者读取出现异常。 比如𤋮(xī),其和熙存在区别。𤋮在 utf8 模式下需要 4 个字节表示。 𤋮在 utf8 模式下需要 4 个字节表示。
MySQL 的“utf8 ”实际上不是真正的 UTF-8, “utf8”只支持每个字符最多 3 个字节。 真正的 utf8 至少要支持 4 个字节。
MySQL 一直没有修复这个 bug,他们在 2010 年发布了一个叫作"utf8mb4"的字符集 mysql/utf8mb4_tbl.c
mysql两个字符集的编码比较:
7 字符集在线工具集合
GBK 内码查询:
http://www.mytju.com/classcode/tools/encode_gb2312.asp
完整的 Unicode 字符集:
https://unicode-table.com/cn/
Unicode 和 UTF 编码转换:
https://www.qqxiuzi.cn/bianma/Unicode-UTF.php
汉字字符集编码查询: