GBK，BIG5等字符集编码局限的具体申明

一 筹办常识

1，字符：字符是抽象的最小文本单位。它没有固定的外形（可能是一个字形），并且没有值。“A”是一个字符，“€”（德国、法国和很多其他欧洲国度通用货币的标记）也是一个字符。“中”“国”这是两个汉字字符。字符仅仅代表一个符号，没有任何实际值的意义。
2，字符集：字符集是字符的凑集。例如，汉字字符是中国人最先发明的字符，在中文、日文、韩文和越南文的书写中应用。这也说了然字符和字符集之间的关系，字符构成字符集（iso8859-1，GB2312/GBK，unicode）。
3，代码点：字符集中的每个字符都被分派到一个“代码点”。每个代码点都有一个特定的独一数值，称为标值。该标量值凡是用十六进制默示。
4，代码单位： 在每种编码情势中，代码点被映射到一个或多个代码单位。“代码单位”是各个编码体式格式中的单个单位。代码单位的大小等效于特定编码体式格式的位数：
UTF-8 ：UTF-8 中的代码单位由 8 位构成；在 UTF-8 中，因为代码单位较小的缘故，每个代码点经常被映射到多个代码单位。代码点将被映射到一个、两个、三个或四个代码单位；
UTF-16 ：UTF-16 中的代码单位由 16 位构成；UTF-16 的代码单位大小是 8 位代码单位的两倍。所以，标量值小于 U+10000 的代码点被编码到单个代码单位中；
UTF-32：UTF-32  中的代码单位由 32 位构成； UTF-32 中应用的 32 位代码单位足够大，每个代码点都可编码为单个代码单位；
GB18030：GB18030  中的代码单位由 8 位构成；在 GB18030 中，因为代码单位较小的缘故，每个代码点经常被映射到多个代码单位。代码点将被映射到一个、两个或四个代码单位。
5，举例：

“中国北京香蕉是个大笨伯”这是我定义的aka字符集；各字符对应代码点为：
北 00000001
京 00000010
香 10000001
蕉 10000010
是 10000100
个 10001000
大 10010000
笨 10100000
蛋 11000000
中 00000100
国 00001000
下面是我定义的 zixia 编码规划（8位），可以看到它的编码中默示了aka字符集的所有字符对应的 代码单位；
北 10000001
京 10000010
香 00000001
蕉 00000010
是 00000100
个 00001000
大 00010000
笨 00100000
蛋 01000000
中 10000100
国 10001000
所谓文本文件 就是我们按必然编码体式格式将二进制数据默示为对应的文本如 00000001000000100000010000001000000100000010000001000000如许的文件。我用一个支撑 zixia编码和aka字符集的记事本打开，它就遵守编码规划显示为  “香蕉是个大笨伯 ”
若是我把这些字符遵守GBK另存一个文件，那么则必然不是这个，而是
1100111111100011 1011110110110110 1100101011000111 1011100011110110 1011010011110011 1011000110111111 1011010110110000 110100001010

二，字符集

1， 常用字符集分类
ASCII及其扩大字符集
感化：表语英语及西欧说话。
位数：ASCII是用7位默示的，能默示128个字符；其扩大应用8位默示，默示256个字符。
局限：ASCII从00到7F，扩大从00到FF。
ISO-8859-1字符集
感化：扩大ASCII，默示西欧、希腊语等。
位数：8位，
局限：从00到FF，兼容ASCII字符集。
GB2312字符集
感化：国度简体中文字符集，兼容ASCII。
位数：应用2个字节默示，能默示7445个符号，包含6763个汉字，几乎覆盖所有高频率汉字。
局限：高字节从A1到F7， 低字节从A1到FE。将高字节和低字节分别加上0XA0即可获得编码。
BIG5字符集
感化：同一繁体字编码。
位数：应用2个字节默示，默示13053个汉字。
局限：高字节从A1到F9，低字节从40到7E，A1到FE。
GBK字符集
感化：它是GB2312的扩大，参加对繁体字的支撑，兼容GB2312。
位数：应用2个字节默示，可默示21886个字符。
局限：高字节从81到FE，低字节从40到FE。
GB18030字符集
感化：它解决了中文、日文、朝鲜语等的编码，兼容GBK。
位数：它采取变字节默示（1 ASCII，2，4字节）。可默示27484个文字。
局限：1字节从00到7F; 2字节高字节从81到FE，低字节从40到7E和80到FE；4字节第一三字节从81到FE，第二四字节从30到39。
UCS字符集
感化：国际标准 ISO 10646 定义了通用字符集 （Universal Character Set）。它是与UNICODE同类的组织，UCS-2和UNICODE兼容。
位数：它有UCS-2和UCS-4两种格局，分别是2字节和4字节。
局限：今朝，UCS-4只是在UCS-2前面加了0×0000。
UNICODE字符集
感化：为世界650种说话进行同一编码，兼容ISO-8859-1。
位数：UNICODE字符集有多个编码体式格式，分别是UTF-8，UTF-16和UTF-32。
2 ，按所默示的文字分类
说话                                 字符集                                     正式名称
英语、西欧语                     ASCII，ISO-8859-1                MBCS 多字节
简体中文                             GB2312                                    MBCS 多字节
繁体中文                             BIG5                                         MBCS 多字节
简繁中文                             GBK                                         MBCS 多字节
中文、日文及朝鲜语         GB18030                                  MBCS 多字节
各国说话                             UNICODE，UCS                    DBCS 宽字节

三，编码

UTF-8：采取变长字节 （1 ASCII， 2 希腊字母， 3 汉字， 4 平面符号） 默示，收集传输， 即使错了一个字节，不影响其他字节，而双字节只要一个错了，其他也错了，具体如下：
若是只有一个字节则其最高二进制位为0；若是是多字节，其第一个字节从最高位开端，连气儿的二进制位值为1的个数决意了其编码的字节数，其余各字节均以10开首。UTF-8最多可用到6个字节。

UTF-16：采取2字节，Unicode中不合项目组的字符都同样基于现有的标准。这是为了便于转换。从 0×0000到0×007F是ASCII字符，从0×0080到0×00FF是ISO-8859-1对ASCII的扩大。希腊字母表应用从0×0370到 0×03FF 的代码，斯拉夫语应用从0×0400到0×04FF的代码，美国应用从0×0530到0×058F的代码，希伯来语应用从0×0590到0×05FF的代 码。中国、日本和韩国的象形文字（总称为CJK）占用了从0×3000到0×9FFF的代码；因为0×00在c说话及操纵体系文件名等中有特别意义，故很 多景象下须要UTF-8编码保存文本，去掉这个0×00。举例如下：
UTF-16: 0×0080  = 0000 0000 1000 0000
UTF-8:   0 xC280 = 1100 0010 1000 0000
UTF-32：采取4字节。
优毛病
UTF-8、UTF-16和UTF-32都可以默示有效编码空间 （U+000000-U+10FFFF） 内的所有Unicode字符。
应用UTF-8编码时ASCII字符只占1个字节，存储效力斗劲高，实用于拉丁字符较多的场合以节俭空间。
对于大多半非拉丁字符（如中文和日文）来说，UTF-16所需存储空间最小，每个字符只占2个字节。
Windows NT内核是Unicode（UTF-16），采取UTF-16编码在调用体系API时无需转换，处理惩罚速度也斗劲快。
采取UTF-16和UTF-32会有Big Endian和Little Endian之分，而UTF-8则没有字节次序题目，所以UTF-8合适传输和通信。
UTF-32采取4字节编码，一方面处理惩罚速度斗劲快，但另一方面也浪费了多量空间，影响传输速度，因而很少应用。

四，如何断定字符集

1，字节序
起首说一下字节序对编码的影响，字节序分为Big Endian字节序和Little Endian字节序。不合的处理惩罚器可能不一样。所以，传输时须要告诉处理惩罚器当时的编码字节序。对于前者而言，高位字节存在低地址，低字节存于高地址；后者相反。例如，0X03AB，
Big Endian字节序
0000: 0 3
0001: AB
Little Endian字节序是
0000: AB
0001: 0 3
2，编码辨认
UNICODE，按照前几个字节可以断定UNICODE字符集的各类编码，叫做Byte Order Mask办法BOM：
UTF-8: EFBBBF （合适UTF-8格局，请看上方。但没有含义在UCS即UNICODE中）
UTF-16 Big Endian：FEFF （没有含义在UCS-2中）
UTF-16 Little Endian：FFFE （没有含义在UCS-2中）
UTF-32 Big Endian：0000FEFF （没有含义在UCS-4中）
UTF-32 Little Endian：FFFE0000 （没有含义在UCS-4中）

GB2312：高字节和低字节的第1位都是1。

BIG5，GBK&GB18030：高字节的第1位为1。操纵体系有默认的编码，常为GBK，可以下载此外并进级。经由过程断定高字节的第1位从而知道是ASCII或者汉字编码。

摘自： http://blog.minidx.com/2008/12/06/1689.html 

字符编码笔记：ASCII，Unicode和UTF-8

 摘自：http://www.ruanyifeng.com/blog/2007/10/ascii_unicode_and_utf-8.html  

今天正午，我忽然想搞清楚Unicode和UTF-8之间的关系，于是就开端在网上查材料。

成果，这个题目比我想象的错杂，从午饭后一向看到晚上9点，才算初步搞清楚。

下面就是我的笔记，首要用来收拾本身的思路。然则，我尽量试图写得通俗易懂，欲望能对其他伴侣有效。毕竟成果，字符编码是策画机技巧的基石，想要谙练应用策画机，就必须懂得一点字符编码的常识。

1. ASCII码

我们知道，在策画机内部，所有的信息终极都默示为一个二进制的字符串。每一个二进制位（bit）有0和1两种状况，是以八个二进制位就可以组合出256种状况，这被称为一个字节（byte）。也就是说，一个字节一共可以用来默示256种不合的状况，每一个状况对应一个符号，就是256个符号，从0000000到11111111。

上个世纪60年代，美国制订了一套字符编码，对英语字符与二进制位之间的关系，做了同一规定。这被称为ASCII码，一向沿用至今。

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（包含32个不克不及打印出来的把握符号），只占用了一个字节的后面7位，最前面的1位同一规定为0。

2、非ASCII编码

英语用128个符号编码就够了，然则用来默示其他说话，128个符号是不敷的。比如，在法语中，字母上方有注音符号，它就无法用ASCII码默示。于是，一些欧洲国度就决意，哄骗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）。如许一来，这些欧洲国度应用的编码体系，可以默示最多256个符号。

然则，这里又呈现了新的题目。不合的国度有不合的字母，是以，哪怕它们都应用256个符号的编码体式格式，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。然则不管如何，所有这些编码体式格式中，0—127默示的符号是一样的，不一样的只是128—255的这一段。

至于亚洲国度的文字，应用的符号就更多了，汉字就多达10万阁下。一个字节只能默示256种符号，必然是不敷的，就必须应用多个字节表达一个符号。比如，简体中文常见的编码体式格式是GB2312，应用两个字节默示一个汉字，所以理论上最多可以默示256x256=65536个符号。

中文编码的题目须要专文评论辩论，这篇笔记不涉及。这里只指出，固然都是用多个字节默示一个符号，然则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体式格式，同一个二进制数字可以被申明成不合的符号。是以，要想打开一个文本文件，就必须知道它的编码体式格式，不然用错误的编码体式格式解读，就会呈现乱码。为什么电子邮件经常呈现乱码？就是因为发信人和收信人应用的编码体式格式不一样。

可以想象，若是有一种编码，将世界上所有的符号都纳入此中。每一个符号都赐与一个独一无二的编码，那么乱码题目就会消散。这就是Unicode，就像它的名字都默示的，这是一种所有符号的编码。

Unicode当然是一个很大的凑集，如今的范围可以容纳100多万个符号。每个符号的编码都不一样，比如，U+0639默示阿拉伯字母Ain，U+0041默示英语的大写字母A，U+4E25默示汉字“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的题目

须要重视的是，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当如何存储。

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默示至少须要2个字节。默示其他更大的符号，可能须要3个字节或者4个字节，甚至更多。

这里就有两个严重的题目，第一个题目是，如何才干差别unicode和ascii？策画机怎么知道三个字节默示一个符号，而不是分别默示三个符号呢？第二个题目是，我们已经知道，英文字母只用一个字节默示就够了，若是unicode同一规定，每个符号用三个或四个字节默示，那么每个英文字母前都必定有二到三个字节是0，这对于存储来说是极大的浪费，文本文件的大小会是以大出二三倍，这是无法接管的。

它们造成的成果是：1）呈现了unicode的多种存储体式格式，也就是说有很多种不合的二进制格局，可以用来默示unicode。2）unicode在很长一段时候内无法推广，直到互联网的呈现。

5.UTF-8

互联网的普及，强烈请求呈现一种同一的编码体式格式。UTF-8就是在互联网上应用最广的一种unicode的实现体式格式。其他实现体式格式还包含UTF-16和UTF-32，不过在互联网上根蒂根基不消。反复一遍，这里的关系是，UTF-8是Unicode的实现体式格式之一。

UTF-8最大的一个特点，就是它是一种变长的编码体式格式。它可以应用1~4个字节默示一个符号，按照不合的符号而变更字节长度。

UTF-8的编码规矩很简单，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。是以对于英语字母，UTF-8编码和ASCII码是雷同的。

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。剩下的没有说起的二进制位，全部为这个符号的unicode码。

下表总结了编码规矩，字母x默示可用编码的位。

Unicode符号局限 | UTF-8编码体式格式
（十六进制） | （二进制）
--------------------+---------------------------------------------
0000 0000-0000 007F | 0 xxxxxxx
0000 0080-0000 07FF | 110 xxxxx 10 xxxxxx
0000 0800-0000 FFFF | 1110 xxxx 10 xxxxxx 10 xxxxxx
0001 0000-0010 FFFF | 11110 xxx 10 xxxxxx 10 xxxxxx 10 xxxxxx

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），按照上表，可以发明4E25处在第三行的局限内（0000 0800-0000 FFFF），是以“严”的UTF-8编码须要三个字节，即格局是“1110 xxxx 10 xxxxxx 10 xxxxxx”。然后，从“严”的最后一个二进制位开端，依次从后向前填入格局中的x，多出的位补0。如许就获得了，“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

经由过程上一节的例子，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经由过程法度实现。

在Windows平台下，有一个最简单的转化办法，就是应用内置的记事本小法度Notepad.exe。打开文件后，点击“文件”菜单中的“另存为”号令，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是默认的编码体式格式。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，若是是繁体中文版会采取Big5码）。

2）Unicode编码指的是UCS-2编码体式格式，即直接用两个字节存入字符的Unicode码。这个选项用的little endian格局。

3）Unicode big endian编码与上一个选项相对应。我鄙人一节会申明little endian和big endian的涵义。

4）UTF-8编码，也就是上一节谈到的编码办法。

选择完”编码体式格式“后，点击”保存“按钮，文件的编码体式格式就立即转换好了。

7. Little endian和Big endian

上一节已经提到，Unicode码可以采取UCS-2格局直接存储。以汉字”严“为例，Unicode码是4E25，须要用两个字节存储，一个字节是4E，另一个字节是25。存储的时辰，4E在前，25在后，就是Big endian体式格式；25在前，4E在后，就是Little endian体式格式。

这两个古怪的名称来自英国作家斯威夫特的《格列佛纪行》。在该书中，小人国里爆发了内战，战斗原由是人们争辩，吃鸡蛋时毕竟是从大头（Big-Endian）敲开还是从小头（Little-Endian）敲开。为了这件工作，前后爆发了六次战斗，一个皇帝送了命，另一个皇帝丢了王位。

是以，第一个字节在前，就是”大头体式格式“（Big endian），第二个字节在前就是”小头体式格式“（Little endian）。

那么很天然的，就会呈现一个题目：策画机怎么知道某一个文件到底采取哪一种体式格式编码？

Unicode规范中定义，每一个文件的最前面分别参加一个默示编码次序的字符，这个字符的名字叫做”零宽度非换行空格“（ZERO WIDTH NO-BREAK SPACE），用FEFF默示。这正好是两个字节，并且FF比FE大1。

若是一个文本文件的头两个字节是FE FF，就默示该文件采取大头体式格式；若是头两个字节是FF FE，就默示该文件采取小头体式格式。

8. 实例

下面，举一个实例。

打开”记事本“法度Notepad.exe，新建一个文本文件，内容就是一个”严“字，依次采取ANSI，Unicode，Unicode big endian 和 UTF-8编码体式格式保存。

然后，用文本编辑软件UltraEdit中的”十六进制功能“，调查该文件的内部编码体式格式。

1）ANSI：文件的编码就是两个字节“D1 CF”，这恰是“严”的GB2312编码，这也暗示GB2312是采取大头体式格式存储的。

2）Unicode：编码是四个字节“FF FE 25 4E”，此中“FF FE”注解是小头体式格式存储，真正的编码是4E25。

3）Unicode big endian：编码是四个字节“FE FF 4E 25”，此中“FE FF”注解是大头体式格式存储。

4）UTF-8：编码是六个字节“EF BB BF E4 B8 A5”，前三个字节“EF BB BF”默示这是UTF-8编码，后三个“E4B8A5”就是“严”的具体编码，它的存储次序与编码次序是一致的。

9. 延长浏览

* The Absolute Minimum Every Software Developer Absolutely， Positively Must Know About Unicode and Character Sets（关于字符集的最根蒂根基常识）

* 谈谈Unicode编码

* RFC3629：UTF-8， a transformation format of ISO 10646（若是实现UTF-8的规定）

（完）

C++的中英文字符串默示（string，wstring）

（畴前面的材料可知，string完全可以存储中文（有效编码只有""\0""=0，其他字符均不为0），然则在显示、字符操纵等方面是无法包管的！）

      在C++中字符串类的string的模板原型是basic_string

template <class _Elem， class traits = char_traits<_Elem>， class _Ax = allocator<_Elem>>
class basic_string{};

      第一个参数_Elem默示类型。第二个参数traits的缺省值应用char_traits类型，定义了类型和字符操纵的函数，如斗劲、等价、分派等。第三个参数_Ax的默认值是allocator类，默示了内存模式，不合的内存布局将操纵指针的不合行动，例如栈、堆或段内存模式等。

     在C++标准里定义了两个字符串string和wstring

typedef basic_string<char> string;
typedef basic_string<wchar_t> wstring;

      前者string是常用类型，可以看作char[]，其实这恰是与string定义中的_Elem=char相一致。而wstring，应用的是wchar_t类型，这是宽字符，用于满足非ASCII字符的请求，例如Unicode编码，中文，日文，韩文什么的。对于wchar_t类型，实际上C++中都用与char函数相对应的wchar_t的函数，因为他们都是从同一个模板类似于上方的体式格式定义的。是以也有wcout， wcin， werr等函数。

     实际上string也可以应用中文，然则它将一个汉字写在2个char中。而若是将一个汉字看作一个单位wchar_t的话，那么在wstring中就只占用一个单位，其它的非英文文字和编码也是如此。如许才真正的满足字符串操纵的请求，尤其是国际化等工作。

     看一下下面的法度，就会懂得两者的差别。

＃include <iostream>
＃include <string>
using namespace std;

＃define tab "\t"

int main（）
{
    locale def;
    cout<<def.name（）<<endl;
    locale current = cout.getloc（）;
    cout<<current.name（）<<endl;

    float val=1234.56;
    cout<<val<<endl;

    //chage to french/france
    cout.imbue（locale（"chs"））;
    current=cout.getloc（）;
    cout<<current.name（）<<endl;
    cout<<val<<endl;

    //上方是申明locale的用法，下面才是本例的内容，因为此顶用到了imbue函数
    cout<<"*********************************"<<endl;

    //为了包管本地化输出（文字/时候/货币等），chs默示中国，wcout必须应用本地化解析编码
    wcout.imbue（std::locale（"chs"））;

    //string 英文，正确倒置地位，显示第二个字符正确
    string str1（"ABCabc"）;
    string str11（str1.rbegin（），str1.rend（））;
    cout<<"UK\ts1\t:"<<str1<<tab<<str1[1]<<tab<<str11<<endl;

    //wstring 英文，正确倒置地位，显示第二个字符正确
    wstring str2=L"ABCabc";
    wstring str22（str2.rbegin（），str2.rend（））;
    wcout<<"UK\tws4\t:"<<str2<<tab<<str2[1]<<tab<<str22<<endl;

    //string 中文，倒置后，变成乱码，第二个字符读取也错误
    string str3（"你好么？"）;
    string str33（str3.rbegin（），str3.rend（））;
    cout<<"CHN\ts3\t:"<<str3<<tab<<str3[1]<<tab<<str33<<endl;

    //正确的打印第二个字符的办法
    cout<<"CHN\ts3\t:RIGHT\t"<<str3[2]<<str3[3]<<endl;

    //中文，正确倒置地位，显示第二个字符正确
    wstring str4=L"你好么？";
    wstring str44（str4.rbegin（），str4.rend（））;
    wcout<<"CHN\tws4\t:"<<str4<<tab<<str4[1]<<tab<<str44<<endl;

    wstring str5（str1.begin（），str1.end（））;//只有char类型的string时才可以如此机关
    wstring str55（str5.rbegin（），str5.rend（））;
    wcout<<"CHN\tws5\t:"<<str5<<tab<<str5[1]<<tab<<str55<<endl;

    wstring str6（str3.begin（），str3.end（））;//如此机关将失败!!!!
    wstring str66（str6.rbegin（），str6.rend（））;
    wcout<<"CHN\tws6\t:"<<str6<<tab<<str6[1]<<tab<<str66<<endl;

    return 0;
}

 成果如下：（略）

     上方显示了本地化的感化，是在数字中每三位加一个逗号，其实对时候/文字等都是用影响的。

     下面的输出说了然，如何正确应用string和wstring的办法。第三个因为应用string来默示汉字，呈现了一些错误。最后一行也是错误，导致了输出也受到了影响，没有空格与回车。（最后两个就不要管中英文了，仅仅申明一下中文机关办法是错误的）

     《把握标准C++类》在第十二章《说话支撑》中专门讲C++的国际化和本地化题目，C++供给了I18N的标准处理惩罚，软件开辟者可以参考。

       C++标准库还是很是博大高深的，功能斗劲齐备的。持续进修。

摘自： http://www.cnblogs.com/xiaoyz/archive/2008/10/11/1308860.html

作者：zhenjing.chen


出处：http://www.cnblogs.com/zhenjing/

未注明转载的文章，版权归作者所有，迎接转载，但未经作者赞成必须保存此段声明，且在文章页面明显地位给出原文连接，不然保存究查法令义务的权力。