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 6C 49 。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 。如果将 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,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 ” 。
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 6C 49 。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 。如果将 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,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。
从 ASCII 、 GB2312 到 GBK ,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 都属于双字节字符集 (DBCS) 。
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。从汉字字汇上说, GB18030 在 GB13000.1 的 20902 个汉字的基础上增加了 CJK 扩展 A 的 6582 个汉字( Unicode 码 0x3400-0x4db5 ),一共收录了 27484 个汉字。
CJK 就是中日韩的意思。 Unicode 为了节省码位,将中日韩三国语言中的文字统一编码。 GB13000.1 就是 ISO/IEC 10646-1 的中文版,相当于 Unicode 1.1 。
GB18030 的编码采用单字节、双字节和 4 字节方案。其中单字节、双字节和 GBK 是完全兼容的。 4 字节编码的码位就是收录了 CJK 扩展 A 的 6582 个汉字。例如: UCS 的 0x3400 在 GB18030 中的编码应该是 8139EF30 , UCS 的 0x3401 在 GB18030 中的编码应该是 8139EF31 。
微软提供了 GB18030 的升级包,但这个升级包只是提供了一套支持 CJK 扩展 A 的 6582 个汉字的新字体:新宋体 -18030 ,并不改变内码。 Windows 的内码仍然是 GBK 。
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 。
* 对于任何字符编码,编码单元的顺序是由编码方案指定的,与 endian 无关。例如 GBK 的编码单元是字节,用两个字节表示一个汉字。这两个字节的顺序是固定的,不受 CPU 字节序的影响。 UTF-16 的编码单元是 word (双字节), word 之间的顺序是编码方案指定的, word 内部的字节排列才会受到 endian 的影响。后面还会介绍 UTF-16 。
*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 6C 49 ,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 ISO 10646-3:2003 。
UCS 只是规定如何编码,并没有规定如何传输、保存这个编码。例如 “ 汉 ” 字的 UCS 编码是 6C 49 ,我可以用 4 个 ascii 数字来传输、保存这个编码;也可以用 utf-8 编码 :3 个连续的字节 E6B1 89 来表示它。关键在于通信双方都要认可。 UTF-8 、 UTF-7 、 UTF-16 都是被广泛接受的方案。 UTF-8 的一个特别的好处是它与 ISO- 8859-1 完全兼容。 UTF 是 “UCS Transformation Format” 的缩写。
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。
2.1 、内码和 code page
目前 Windows 的内核已经支持 Unicode 字符集,这样在内核上可以支持全世界所有的语言文字。但是由于现有的大量程序和文档都采用了某种特定语言的编码,例如 GBK , Windows 不可能不支持现有的编码,而全部改用 Unicode 。
Windows 使用代码页 (code page) 来适应各个国家和地区。 code page 可以被理解为前面提到的内码。 GBK 对应的 code page 是 CP936 。
微软也为 GB18030 定义了 code page : CP54936 。但是由于 GB18030 有一部分 4 字节编码,而 Windows 的代码页只支持单字节和双字节编码,所以这个 code page 是无法真正使用的。
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 6C 49 。 6C 49 在 0800-FFFF 之间,所以肯定要用 3 字节模板了: 1110xxxx 10xxxxxx 10xxxxxx 。将 6C 49 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。需要注意, UltraEdit 在打开 utf-8 编码的文本文件时会自动转换为 UTF-16 ,可能产生混淆。你可以在设置中关掉这个选项。更好的工具是 Hex Workshop 。
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 “ 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" 。
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"
2. "Character set encoding basics Understanding character set encodings and l
egacy encodings"
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://fmddlmyy.home4u.ch ina.com) 。
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。
egacy encodings"
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://fmddlmyy.home4u.ch ina.com) 。
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。
附录 1 再说说区位码、 GB2312 、内码和代码页
有的朋友对文章中这句话还有疑问: “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 。 ”
我再详细解释一下:
“GB2312 的原文 ” 是指国家 1980 年的一个标准《中华人民共和国国家标准 信息交换用汉字编码字符集 基本集 GB 2312-80 》。这个标准用两个数来编码汉字和中文符号。第一个数称为 “ 区 ” ,第二个数称为 “ 位 ” 。所以也称为区位码。 1-9 区是中文符号, 16-55 区是一级汉字, 56-87 区是二级汉字。现在 Windows 也还有区位输入法,例如输入 1601 得到 “ 啊 ” 。(这个区位输入法可以自动识别 16 进制的 GB2312 和 10 进制的区位码,也就是说输入 B0A1 同样会得到 “ 啊 ” 。)
内码是指操作系统内部的字符编码。早期操作系统的内码是与语言相关的。现在的 Windows 在系统内部支持 Unicode ,然后用代码页适应各种语言, “ 内码 ” 的概念就比较模糊了。微软一般将缺省代码页指定的编码说成是内码。
内码这个词汇,并没有什么官方的定义,代码页也只是微软这个公司的叫法。作为程序员,我们只要知道它们是什么东西,没有必要过多地考证这些名词。
所谓代码页 (code page) 就是针对一种语言文字的字符编码。例如 GBK 的 code page 是 CP936 , BIG5 的 code page 是 CP950 , GB2312 的 code page 是 CP20936 。
Windows 中有缺省代码页的概念,即缺省用什么编码来解释字符。例如 Windows 的记事本打开了一个文本文件,里面的内容是字节流: BA 、 BA 、 D7 、 D6 。 Windows 应该去怎么解释它呢?
是按照 Unicode 编码解释、还是按照 GBK 解释、还是按照 BIG5 解释,还是按照 ISO8859-1 去解释?如果按 GBK 去解释,就会得到 “ 汉字 ” 两个字。按照其它编码解释,可能找不到对应的字符,也可能找到错误的字符。所谓 “ 错误 ” 是指与文本作者的本意不符,这时就产生了乱码。
答案是 Windows 按照当前的缺省代码页去解释文本文件里的字节流。缺省代码页可以通过控制面板的区域选项设置。记事本的另存为中有一项 ANSI ,其实就是按照缺省代码页的编码方法保存。
Windows 的内码是 Unicode ,它在技术上可以同时支持多个代码页。只要文件能说明自己使用什么编码,用户又安装了对应的代码页, Windows 就能正确显示,例如在 HTML 文件中就可以指定 charset 。
有的 HTML 文件作者,特别是英文作者,认为世界上所有人都使用英文,在文件中不指定 charset 。如果他使用了 0x80-0xff 之间的字符,中文 Windows 又按照缺省的 GBK 去解释,就会出现乱码。这时只要在这个 html 文件中加上指定 charset 的语句,例如: <meta http-equiv="Content-Type" content="text/html; charset=ISO8859-1"> 如果原作者使用的代码页和 ISO8859-1 兼容,就不会出现乱码了。
再说区位码,啊的区位码是 1601 ,写成 16 进制是 0x10,0x01 。这和计算机广泛使用的 ASCII 编码冲突。为了兼容 00-7f 的 ASCII 编码,我们在区位码的高、低字节上分别加上 A0 。这样 “ 啊 ” 的编码就成为 B0A1 。我们将加过两个 A0 的编码也称为 GB2312 编码,虽然 GB2312 的原文根本没提到这一点。