最近因为项目需要从网络上获取文本数据并解析,然而获取的文本文件的编码格式未知,所以解析比较麻烦。为此,我专门研究了一下中文编码,看了网络上的许多文章,现在对计算机中的信息编码理解逐渐清晰。下面,我就网络上所学到的以及自己的一些理解做一个简单的梳理。
计算机编码的发展
很久很久以前,有一群人,他们决定用8个可以开合的晶体管来组合成不同的状态,以表示世界上的万物,他们把这称为”字节”。再后来,他们又做了一些可以处理这些字节的机器,机器开动了,可以用字节来组合出很多状态,状态开始变来变去,他们就把这机器称为”计算机”。
开始计算机只在美国用。八位的字节一共可以组合出256(2的8次方)种不同的状态。他们把其中的编号从0开始的32种状态分别规定了特殊的用途,一但终端、打印机遇上约定好的这些字节被传过来时,就要做一些约定的动作。遇上 00×10, 终端就换行,遇上0×07, 终端就向人们嘟嘟叫,例好遇上0x1b, 打印机就打印反白的字,或者终端就用彩色显示字母。他们看到这样很好,于是就把这些0×20以下的字节状态称为”控制码”。
他们又把所有的空格、标点符号、数字、大小写字母分别用连续的字节状态表示,一直编到了第127号,这样计算机就可以用不同字节来存储英语的文字 了。大家看到这样,都感觉很好,于是大家都把这个方案叫做 ANSI 的”Ascii”编码(American Standard Code forInformation Interchange,美国信息互换标准代码)。当时世界上所有的计算机都用同样的ASCII方案来保存英文文字。
后来计算机发展越来越广泛,世界各国为了可以在计算机保存他们的文字,他们决定采用127号之后的空位来表示这些新的字母、符号,还加入了很多画表格时需要用下到的横线、竖线、交叉等形状,一直把序号编到了最后一个状态255。从128到255这一页的字符集被称”扩展字符集”。但是原有的编号方法,已经再也放不下更多的编码。
等中国人们得到计算机时,已经没有可以利用的字节状态来表示汉字,况且有6000多个常用汉字需要保存呢。于是国人就自主研发,把那些127号之后的奇异符号们直接取消掉。规定:一个小于127的字符的意义与原来相同,但两个大于127的字符连在一起时,就表示一个汉字,前面的一个字节(他称之为高字节)从0xA1用到 0xF7,后面一个字节(低字节)从0xA1到0xFE,这样我们就可以组合出大约7000多个简体汉字了。在这些编码里,我们还把数学符号、罗马希腊的字母、日文的假名们都编进去了,连在 ASCII 里本来就有的数字、标点、字母都统统重新编了两个字节长的编码,这就是常说的”全角”字符,而原来在127号以下的那些就叫”半角”字符了。
中国人民看到这样很不错,于是就把这种汉字方案叫做 “GB2312″。GB2312 是对 ASCII 的中文扩展。但是中国的汉字太多了,后来还是不够用,于是干脆不再要求低字节一定是127号之后的内码,只要第一个字节是大于127就固定表示这是一个汉字的开始,不管后面跟的是不是扩展字符集里的内容。结果扩展之后的编码方案被称为 GBK 标准,GBK 包括了 GB2312 的所有内容,同时又增加了近20000个新的汉字(包括繁体字)和符号。后来少数民族也要用电脑了,于是我们再扩展,又加了几千个新的少数民族的字,GBK 扩成了 GB18030。从此之后,中华民族的文化就可以在计算机时代中传承了。
因为当时各个国家都像中国这样搞出一套自己的编码标准,结果互相之间谁也不懂谁的编码,谁也不支持别人的编码。当时的中国人想让电脑显示汉字,就必须装上一个”汉字系统”,专门用来处理汉字的显示、输入的问题,装错了字符系统,显示就会乱了套。这怎么办?就在这时,一个叫 ISO (国际标谁化组织)的国际组织决定着手解决这个问题。他们采用的方法很简单:废了所有的地区性编码方案,重新搞一个包括了地球上所有文化、所有字母和符号的编码!他们打算叫它”UniversalMultiple-Octet Coded Character Set”,简称 UCS,俗称 “UNICODE”。
UNICODE 开始制订时,计算机的存储器容量极大地发展了,空间再也不成为问题了。于是 ISO 就直接规定必须用两个字节,也就是16位来统一表示所有的字符,对于 ascii 里的那些”半角”字符,UNICODE 包持其原编码不变,只是将其长度由原来的8位扩展为16位,而其他文化和语言的字符则全部重新统一编码。由于”半角”英文符号只需要用到低8位,所以其高 8位永远是0,因此这种大气的方案在保存英文文本时会多浪费一倍的空间。
但是,UNICODE在制订时没有考虑与任何一种现有的编码方案保持兼容,这使得 GBK 与 UNICODE 在汉字的内码编排上完全是不一样的,没有一种简单的算术方法可以把文本内容从UNICODE编码和另一种编码进行转换,这种转换必须通过查表来进行。UNICODE 是用两个字节来表示为一个字符,他总共可以组合出65535不同的字符,这大概已经可以覆盖世界上所有文化的符号。
UNICODE 来到时,一起到来的还有计算机网络的兴起,UNICODE 如何在网络上传输也是一个必须考虑的问题,于是面向传输的众多 UTF(UCS Transfer Format)标准出现了,顾名思义,UTF8 就是每次8个位传输数据,而 UTF16 就是每次16个位,只不过为了传输时的可靠性,从UNICODE到 UTF时并不是直接的对应,而是要过一些算法和规则来转换。
看完这些,相信你对于这几个编码关系等,了解的比较清楚了吧。我再来简单的总结一下:
美国最早定制了适合美国国内使用的字符编码规则,即ASCII码,后面欧洲各国又对其加以扩展以方便使用。
中国人民通过对ASCII 编码的中文扩充改造,产生了 GB2312 编码,可以表示6000多个常用汉字。
汉字实在是太多了,包括繁体和各种字符,于是产生了 GBK 编码,它包括了 GB2312 中的编码,同时扩充了很多。
中国是个多民族国家,各个民族几乎都有自己独立的语言系统,为了表示那些字符,继续把 GBK 编码扩充为 GB18030 编码。
每个国家都像中国一样,把自己的语言编码,由此产生了 GB2312, BIG5, JIS 等各自的编码标准。这些使用 2 个字节来代表一个字符的各种汉字延伸编码方式,称为 ANSI 编码。如果你不安装相应的编码,就无法解释相应编码想表达的内容。
终于,有个叫ISO 的组织看不下去了。他们一起创造了一种编码 UNICODE ,这种编码非常大,大到可以容纳世界上任何一个文字和标志。所以只要电脑上有 UNICODE 这种编码系统,无论是全球哪种文字,只需要保存文件的时候,保存成 UNICODE 编码就可以被其他电脑正常解释。
UNICODE 在网络传输中,出现了两个标准 UTF-8 和 UTF-16,分别每次传输 8个位和 16个位。
于是就会有人产生疑问,UTF-8既然能保存那么多文字、符号,为什么国内还有这么多使用 GBK 等编码的人?因为 UTF-8 等编码体积比较大,占电脑空间比较多,如果面向的使用人群绝大部分都是中国人,用 GBK 等编码也可以。但是目前的电脑来看,硬盘都是白菜价,电脑性能也已经足够无视这点性能的消耗了。所以推荐所有的网页使用统一编码:UTF-8。
几点注意:
从ASCII、 GB2312、GBK到GB18030,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到GB18030都属于双字节字符集 (DBCS)。
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6C49,而GB码是BABA。
Unicode规定了怎么用2字节(也有4字节)表示各种文字。而怎样传输这些编码,是由UTF(Unicode TransformationFormat)规范规定的,常见的UTF规范包括UTF-8、UTF-7、UTF-16
在简体中文系统下,ANSI 编码代表 GB2312 编码,在日文操作系统下,ANSI 编码代表 JIS 编码。 不同 ANSI 编码之间互不兼容,当信息在国际间交流时,无法将属于两种语言的文字,存储在同一段 ANSI 编码的文本中。
计算机程序设计中中文文本编码解析
看完上面的内容,我想大家对计算机编码及其发展应该有了一个清晰的认识,下面我们来看一下如何解析一个中文的文本文件,由于中文编码有许多格式,为了方便解析一个中文文件,在文件头往往会包含一个编码格式的标示,这就是BOM(Byte Order Mark),对于不同的编码,其对应的BOM不同:
UTF-8:0xEF BB BF
UTF-16(BE):0xFE FF
UTF-16(LE):0xFF FE
上面的BE和LE表示大端(big edian)和小端(little edian)格式,它们是CPU处理多字节数的不同方式。例如“汉”字的Unicode编码是6C49。那么写到文件里时,究竟是将6C(高字节)写在前面,还是将49(低字节)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。也就是说“高字节”写在“低地址”就是大端,“低字节”写在“低地址”就是小端。
对于有BOM的文件,我们知道其编码格式就很容易解析,对于没有BOM的文件,我们又如何判断该文件是UTF-8还是GBK码呢?在网上找了很久都没找到现成的代码,于是自己去查了一下UTF-8具体的编码格式,如下:
在ASCII码的范围,用一个字节表示,超出ASCII码的范围就用字节表示,这就形成了我们上面看到的UTF-8的表示方法,这様的好处是当UNICODE文件中只有ASCII码时,存储的文件都为一个字节,所以就是普通的ASCII文件无异,读取的时候也是如此,所以能与以前的ASCII文件兼容。
大于ASCII码的,就会由上面的第一字节的前几位表示该unicode字符的长度,比如110xxxxxx前三位的二进制表示告诉我们这是个2BYTE的UNICODE字符;1110xxxx是个三位的UNICODE字符,依此类推;xxx的位置由字符编码数的二进制表示的位填入,依次从右向左填入该字符对应的Unicode编码,左边多出的补0。越靠右的x具有越少的特殊意义。只用最短的那个足够表达一个字符编码数的多字节串。注意在多字节串中,第一个字节的开头"1"的数目就是整个串中字节的数目。
ASCII码占一个字节;GB2312和GBK码英文字符占一个字节,中文字符占2个字节;UTF-8编码下字符所占字节数从1到6个不等,英文字符占一个字节,中文字符通常占3个字节。
在知道UTF-8的具体编码格式之后,我就自己写了一个程序来识别文件编码格式,下面直接上代码:
- <span style="white-space:pre"> </span>/**
- * 判断文件的编码格式
- * @param fileName :file
- * @return 文件编码格式
- * @throws Exception
- * 无法识别utf-8 without BOM
- */
- public static String getFileCodeString(String fileName) throws Exception{
- BufferedInputStream bin = new BufferedInputStream(new FileInputStream(fileName));
- int p = (bin.read() << 8) + bin.read();//读取文件头前16位
- String code = null;
- switch (p) {
- case 0xefbb:
- code = "UTF-8";
- break;
- case 0xfffe:
- code = "UTF-16LE";
- break;
- case 0xfeff:
- code = "UTF-16BE";
- break;
- default:
- if(isUTF8(fileName)){
- Log.i(TAG, "getFileCodeString: 编码格式为无BOM的UTF-8");
- code="UTF-8";
- }else {
- code = "GBK";
- }
- }
- bin.close();
- return code;
- }
- /**
- * 判断文件是否是无BOM的UTF-8编码
- * @param fileName
- * @return
- */
- public static boolean isUTF8(String fileName){
- boolean state=true;
- BufferedInputStream bin=null;
- try {
- bin = new BufferedInputStream(new FileInputStream(fileName));
- int count=10;//设置判断的字节流的数量
- int firstByte = 0;
- //根据字节流是否符合UTF-8的标准来判断
- while(true){
- if(count--<0 || (firstByte=bin.read())==-1){
- break;
- }
- //判断字节流
- if((firstByte & 0x80)==0x00){
- //字节流为0xxxxxxx
- continue;
- }else if((firstByte & 0xe0)==0xc0){
- //字节流为110xxxxx 10xxxxxx
- if( (bin.read() & 0xc0)==0x80)
- continue;
- }else if((firstByte & 0xf0)==0xe0){
- //字节流为1110xxxx 10xxxxxx 10xxxxxx
- if((bin.read() & 0xc0)==0x80 && (bin.read() & 0xc0)==0x80)
- continue;
- }else if((firstByte & 0xf8)==0xf0){
- //字节流为11110xxx 10xxxxxx 10xxxxxx 10xxxxxx
- if((bin.read() & 0xc0)==0x80 && (bin.read() & 0xc0)==0x80 && (bin.read() & 0xc0)==0x80)
- continue;
- }else if((firstByte & 0xfc)==0xf8){
- //字节流为111110xx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx
- if((bin.read() & 0xc0)==0x80 && (bin.read() & 0xc0)==0x80 && (bin.read() & 0xc0)==0x80
- && (bin.read() & 0xc0)==0x80)
- continue;
- }else if((firstByte & 0xfe)==0xfc){
- //字节流为1111110x 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx
- if((bin.read() & 0xc0)==0x80 && (bin.read() & 0xc0)==0x80 && (bin.read() & 0xc0)==0x80
- && (bin.read() & 0xc0)==0x80 && (bin.read() & 0xc0)==0x80)
- continue;
- }
- state=false;
- break;
- }
- } catch (FileNotFoundException e) {
- // TODO Auto-generated catch block
- e.printStackTrace();
- } catch (IOException e) {
- // TODO Auto-generated catch block
- state=false;
- e.printStackTrace();
- }finally{
- try {
- if(bin!=null)
- bin.close();
- } catch (IOException e) {
- // TODO Auto-generated catch block
- e.printStackTrace();
- }
- }
- return state;
- }
参考内容:
http://www.cnblogs.com/xiaomia/archive/2010/11/28/1890072.html
http://www.qianxingzhem.com/post-1499.html
http://www.cnblogs.com/adforce/archive/2013/01/02/2842042.html
前段时间学习web知识,开始以为浏览器对html的解码是按标签<meta>中指定的字符集进行解码的,但是仔细想想发现又存在问题,因为要知道<meta>中指定的字符集,必须先对html文件进行解码,但事先是不知道编码的。于是在网上找了些资料(见附录)。发现浏览器对html文件编码的确定过程还是很复杂的。编码的确定按优先级如下:
1.如果用户指定了编码,则按用户指定的编码进行解码。
2.先对文件进行预解析,如果文件存在BOM(Byte Order Mark),则按BOM确定的编码解码。
3.如果HTTP响应头中存在编码信息,则按响应头中的编码进行解码。
4.先按浏览器的编码选择算法选择一个编码进行预解析,如果解析出<meta>标签中存在字符集设置,则按<meta>标签中的字符集进行解码。
5.按浏览器的默认编码。