这是一篇关于字符集的很详细的文章,连我都能看明白,所以转来。
文章来源: http://www.ruanyifeng.com/blog/2007/10/ascii_unicode_and_utf-8.html
字符编码笔记:ASCII,Unicode和UTF-8
阮一峰 发表于 2007年10月28日 | 分类:首页 -> 档案 -> IT技术
今天中午,我突然想搞清楚Unicode和UTF-8之间的关系,于是就开始在网上查资料。
结果,这个问题比我想象的复杂,从午饭后一直看到晚上9点,才算初步搞清楚。
下面就是我的笔记,主要用来整理自己的思路。但是,我尽量试图写得通俗易懂,希望能对其他朋友有用。毕竟,字符编码是计算机技术的基石,想要熟练使用计算机,就必须懂得一点字符编码的知识。
1. ASCII码
我们知道,在计算机内部,所有的信息最终都表示为一个二进制的字符串。每一个二进制位(bit)有0和1两种状态,因此八个二进制位就可以组合出 256种状态,这被称为一个字节(byte)。也就是说,一个字节一共可以用来表示256种不同的状态,每一个状态对应一个符号,就是256个符号,从 0000000到11111111。
上个世纪60年代,美国制定了一套字符编码,对英语字符与二进制位之间的关系,做了统一规定。这被称为ASCII码,一直沿用至今。
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(包括32个不能打印出来的控制符号),只占用了一个字节的后面7位,最前面的1位统一规定为0。
2、非ASCII编码
英语用128个符号编码就够了,但是用来表示其他语言,128个符号是不够的。比如,在法语中,字母上方有注音符号,它就无法用ASCII码表示。于是,一些欧洲国家就决定,利用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)。这样一来,这些欧洲国家使用的编码体系,可以表示最多256个符号。
但是,这里又出现了新的问题。不同的国家有不同的字母,因此,哪怕它们都使用256个符号的编码方式,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 (ג),在俄语编码中又会代表另一个符号。但是不管怎样,所有这些编码方式中,0—127表示的符号是一样的,不一样的只是128—255的这一段。
至于亚洲国家的文字,使用的符号就更多了,汉字就多达10万左右。一个字节只能表示256种符号,肯定是不够的,就必须使用多个字节表达一个符号。比如,简体中文常见的编码方式是GB2312,使用两个字节表示一个汉字,所以理论上最多可以表示256x256=65536个符号。
中文编码的问题需要专文讨论,这篇笔记不涉及。这里只指出,虽然都是用多个字节表示一个符号,但是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方式,同一个二进制数字可以被解释成不同的符号。因此,要想打开一个文本文件,就必须知道它的编码方式,否则用错误的编码方式解读,就会出现乱码。为什么电子邮件常常出现乱码?就是因为发信人和收信人使用的编码方式不一样。
可以想象,如果有一种编码,将世界上所有的符号都纳入其中。每一个符号都给予一个独一无二的编码,那么乱码问题就会消失。这就是Unicode,就像它的名字都表示的,这是一种所有符号的编码。
Unicode当然是一个很大的集合,现在的规模可以容纳100多万个符号。每个符号的编码都不一样,比如,U+0639表示阿拉伯字母Ain,U+0041表示英语的大写字母A,U+4E25表示汉字“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的问题
需要注意的是,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该如何存储。
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表示至少需要2个字节。表示其他更大的符号,可能需要3个字节或者4个字节,甚至更多。
这里就有两个严重的问题,第一个问题是,如何才能区别unicode和ascii?计算机怎么知道三个字节表示一个符号,而不是分别表示三个符号呢?第二个问题是,我们已经知道,英文字母只用一个字节表示就够了,如果unicode统一规定,每个符号用三个或四个字节表示,那么每个英文字母前都必然有二到三个字节是0,这对于存储来说是极大的浪费,文本文件的大小会因此大出二三倍,这是无法接受的。
它们造成的结果是:1)出现了unicode的多种存储方式,也就是说有许多种不同的二进制格式,可以用来表示unicode。2)unicode在很长一段时间内无法推广,直到互联网的出现。
5.UTF-8
互联网的普及,强烈要求出现一种统一的编码方式。UTF-8就是在互联网上使用最广的一种unicode的实现方式。其他实现方式还包括UTF-16和UTF-32,不过在互联网上基本不用。重复一遍,这里的关系是,UTF-8是Unicode的实现方式之一。
UTF-8最大的一个特点,就是它是一种变长的编码方式。它可以使用1~4个字节表示一个符号,根据不同的符号而变化字节长度。
UTF-8的编码规则很简单,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。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。
下表总结了编码规则,字母x表示可用编码的位。
Unicode符号范围 | UTF-8编码方式
(十六进制) | (二进制)
--------------------+---------------------------------------------
0000 0000-0000 007F | 0xxxxxxx
0000 0080-0000 07FF | 110xxxxx 10xxxxxx
0000 0800-0000 FFFF | 1110xxxx 10xxxxxx 10xxxxxx
0001 0000-0010 FFFF | 11110xxx 10xxxxxx 10xxxxxx 10xxxxxx
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),根据上表,可以发现4E25处在第三行的范围内(0000 0800-0000 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。
6. Unicode与UTF-8之间的转换
通过上一节的例子,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通过程序实现。
在Windows平台下,有一个最简单的转化方法,就是使用内置的记事本小程序Notepad.exe。打开文件后,点击“文件”菜单中的“另存为”命令,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是默认的编码方式。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,如果是繁体中文版会采用Big5码)。
2)Unicode编码指的是UCS-2编码方式,即直接用两个字节存入字符的Unicode码。这个选项用的little endian格式。
3)Unicode big endian编码与上一个选项相对应。我在下一节会解释little endian和big endian的涵义。
4)UTF-8编码,也就是上一节谈到的编码方法。
选择完”编码方式“后,点击”保存“按钮,文件的编码方式就立刻转换好了。
7. Little endian和Big endian
上一节已经提到,Unicode码可以采用UCS-2格式直接存储。以汉字”严“为例,Unicode码是4E25,需要用两个字节存储,一个字节是4E,另一个字节是25。存储的时候,4E在前,25在后,就是Big endian方式;25在前,4E在后,就是Little endian方式。
这两个古怪的名称来自英国作家斯威夫特的《格列佛游记》。在该书中,小人国里爆发了内战,战争起因是人们争论,吃鸡蛋时究竟是从大头(Big- Endian)敲开还是从小头(Little-Endian)敲开。为了这件事情,前后爆发了六次战争,一个皇帝送了命,另一个皇帝丢了王位。
因此,第一个字节在前,就是”大头方式“(Big endian),第二个字节在前就是”小头方式“(Little endian)。
那么很自然的,就会出现一个问题:计算机怎么知道某一个文件到底采用哪一种方式编码?
Unicode规范中定义,每一个文件的最前面分别加入一个表示编码顺序的字符,这个字符的名字叫做”零宽度非换行空格“(ZERO WIDTH NO-BREAK SPACE),用FEFF表示。这正好是两个字节,而且FF比FE大1。
如果一个文本文件的头两个字节是FE FF,就表示该文件采用大头方式;如果头两个字节是FF FE,就表示该文件采用小头方式。
8. 实例
下面,举一个实例。
打开”记事本“程序Notepad.exe,新建一个文本文件,内容就是一个”严“字,依次采用ANSI,Unicode,Unicode big endian 和 UTF-8编码方式保存。
然后,用文本编辑软件UltraEdit中的”十六进制功能“,观察该文件的内部编码方式。
1)ANSI:文件的编码就是两个字节“D1 CF”,这正是“严”的GB2312编码,这也暗示GB2312是采用大头方式存储的。
2)Unicode:编码是四个字节“FF FE 25 4E”,其中“FF FE”表明是小头方式存储,真正的编码是4E25。
3)Unicode big endian:编码是四个字节“FE FF 4E 25”,其中“FE FF”表明是大头方式存储。
4)UTF-8:编码是六个字节“EF BB BF E4 B8 A5”,前三个字节“EF BB BF”表示这是UTF-8编码,后三个“E4B8A5”就是“严”的具体编码,它的存储顺序与编码顺序是一致的。
9. 延伸阅读
* The Absolute Minimum Every Software Developer Absolutely, Positively Must Know About Unicode and Character Sets(关于字符集的最基本知识)
* RFC3629:UTF-8, a transformation format of ISO 10646(如果实现UTF-8的规定)
(完)
姬着 说:
文章里说:UCS-2编码方式,即直接用两个字节存入字符的Unicode码。
那USC-2编码方式如何实现超过两个字节的符号的存储?谢谢
2007年10月29日 17:04 | | 引用
Ruan YiFeng 说:
引用姬着的发言:文章里说:UCS-2编码方式,即直接用两个字节存入字符的Unicode码。那USC-2编码方式如何实现超过两个字节的符号的存储?谢谢
USC-2只能用存储两个字节的Unicode,超过这一范围的符号,它不能表示。
2007年10月30日 09:15 | | 引用
Bill 说:
PS:本文只是主要介绍了UTF-8编码,下面这篇文章对于GB码与Big5有更详细的介绍。
汉字编码中现在主要用到的有三类,包括GBK,GB2312和Big5。
1、GB2312又称国标码,由国家标准总局发布,1981年5月1日实施,通行于大陆。新加坡等地也使用此编码。它是一个简化字的编码规范,当然也包括其他的符号、字母、日文假名等,共7445个图形字符,其中汉字占6763个。我们平时说6768个汉字,实际上里边有5个编码为空白,所以总共有 6763个汉字。
GB2312规定“对任意一个图形字符都采用两个字节表示,每个字节均采用七位编码表示”,习惯上称第一个字节为“高字节”,第二个字节为“低字节”。 GB2312中汉字的编码范围为,第一字节0xB0-0xF7(对应十进制为176-247),第二个字节0xA0-0xFE(对应十进制为 160-254)。
GB2312将代码表分为94个区,对应第一字节(0xa1-0xfe);每个区94个位(0xa1-0xfe),对应第二字节,两个字节的值分别为区号值和位号值加32(2OH),因此也称为区位码。01-09区为符号、数字区,16-87区为汉字区(0xb0-0xf7),10-15区、88-94区是有待进一步标准化的空白区。
2、Big5又称大五码,主要为香港与台湾使用,即是一个繁体字编码。每个汉字由两个字节构成,第一个字节的范围从0X81-0XFE(即 129-255),共126种。第二个字节的范围不连续,分别为0X40-0X7E(即64-126),0XA1-0XFE(即161-254),共 157种。
3、GBK是GB2312的扩展,是向上兼容的,因此GB2312中的汉字的编码与GBK中汉字的相同。另外,GBK中还包含繁体字的编码,它与Big5 编码之间的关系我还没有弄明白,好像是不一致的。GBK中每个汉字仍然包含两个字节,第一个字节的范围是0x81-0xFE(即129-254),第二个字节的范围是0x40-0xFE(即64-254)。GBK中有码位23940个,包含汉字21003个。
Bill再推荐一个网站 专门介绍汉字与汉字计算机化的 汉典 http://www.zdic.net/
2007年10月30日 22:26 | | 引用
简单 说:
很强的网站,收藏
2007年10月31日 09:06 | | 引用
Ruan YiFeng 说:
引用Bill的发言:本文只是主要介绍了UTF-8编码,下面这篇文章对于GB码与Big5有更详细的介绍。
这篇网志中有两个地方需要补充一下,我忘了在原文中提到。
1.
国际标准化组织通过了一套ISO-8859-1的编码,规定了单字节256个符号的编码方式。目前,这是8位编码的国际标准。
2.
Unicode编码中表示字节排列顺序的那个文件头,叫做BOM(byte-order mark),FFFE和FEFF就是不同的BOM。
UTF-8文件的BOM是“EF BB BF”,但是UTF-8的字节顺序是不变的,因此这个文件头实际上不起作用。有一些编程语言是ISO-8859-1编码,所以如果用UTF-8针对这些语言编程序,就必须去掉BOM,即保存成“UTF-8—无BOM”的格式才可以,PHP语言就是这样。
2007年10月31日 23:57 | | 引用
请教 说:
我怎么用 notepad 保存成 UTF-8 后
用 UltraEdit 看 还是 FF FE 25 4E啊???
2007年11月24日 01:36 | | 引用
请教 说:
引用请教的发言:我怎么用 notepad 保存成 UTF-8 后 用 UltraEdit 看 还是 FF FE 25 4E啊???
哦 知道了。 是UltraEdit 默认会以 UTF-16的方式打开UTF-8编码的文件,要设置或者用Hex Workshop打开就可以看到楼主所说的效果。
2007年11月24日 02:15 | | 引用
Cloudream 说:
(点击支持我)
这些字符是违反adsense规定的……
2007年11月27日 19:08 | | 引用
jackywdx 说:
这么精彩的讲解,实在不得不向作者致敬!
内容讲解得非常详细但又通俗易懂,谢谢了~~
2008年03月10日 10:01 | | 引用
jinwangen 说:
非常感谢
2008年04月23日 09:22 | | 引用
LMN 说:
非常感谢,值得一看
2008年05月04日 13:07 | | 引用
网友 说:
标题“6. Unicode与UTF-8之间的转换”不严谨。
Unicode是一种字符集,概念比较抽象,你已经提到,它存储的时候必须用适当的编码方式。
你的标题的意思,实际上是UTF-16和UTF-8之间的转换。
至于windows notepad保存对话框的编码方式列表中列出“Unicode”这一个名字,实际上是一个通俗的称呼(来自windows NT的早期版本的习惯,一直沿用),指UTF-16,而不是严格的称呼。希望你行文不要受这个影响。
2008年05月08日 17:15 | | 引用
Ruan YiFeng 说:
引用网友的发言:标题“6. Unicode与UTF-8之间的转换”不严谨。
Unicode是一种字符集,概念比较抽象,你已经提到,它存储的时候必须用适当的编码方式。
你的标题的意思,实际上是UTF-16和UTF-8之间的转换。
UTF-16不等于unicode啊,不能混为一谈。
2008年05月09日 00:33 | | 引用
Ivan WONG 说:
嗯,看完了長不少知識.
2008年05月12日 11:19 | | 引用
Michael Zheng 说:
我只能这么说,看了那么多的对字符集的解释
这个绝对是最通俗易懂并且还解决了常见疑问的最好的文章 :)
收藏
2008年05月12日 12:42 | | 引用
wxs8088 说:
很好的一编文章
2008年05月16日 03:07 | | 引用
人跟人的差距咋就这么大呢 说:
好文章!收藏了!
楼主何不把ansi编码方式也说说!
让俺这样的小学新生借楼主的理解能力再学习一把.
2008年05月16日 11:58 | | 引用
学习了 说:
学习了
2008年06月25日 11:20 | | 引用
水中鱼 说:
引用Ruan YiFeng的发言:UTF-16不等于unicode啊,不能混为一谈。
UTF-16扩充了Unicode,包括了一些稀有字符,想我们国家的满文,藏文等等,两者基本上等价
2008年07月11日 10:44 | | 引用
heroboy 说:
其实我认为,编码其实有2个意思。1.一个是把字符和数字对应起来(比如unicode和GBXXXX等)。2.还有就是相应在数字在计算机中的表示,也就是和字节序列对应起来(比如utf8,mbcs等)。
我有个问题,windows下的mbcs编码(2)用的编码(1)是不是GB系列的编码(1),而unicode编码(2)用的是unicode编码(1)
2008年07月31日 15:07 | | 引用
Demo 说:
拜读。。。受益匪浅。。长见识了 。。顶楼主
2008年08月15日 01:56 | | 引用
GoBoat 说:
很精彩啊
2008年08月25日 11:11 | | 引用
yangxiups 说:
有时总想去搞清楚他们的区别,可总是无果而终。
讲的很通俗。收藏了。
2008年08月26日 16:58 | | 引用
Maxwell 说:
通俗易懂,对楼主的付出表示感谢。
好文章,收藏!
2008年08月26日 18:03 | | 引用
hao 说:
Big endian 是大头,还是大尾?
2008年09月04日 10:18 | | 引用
gaga 说:
本文充分展现了阮兄收集信息,总结和归纳信息的能力,佩服和学习!
2008年09月08日 12:02 | | 引用
BATMAN 说:
非常感谢楼主提供的信息,支持个
2008年09月24日 20:54 | | 引用
zhangzhen 说:
挺好的,谢谢
2008年10月03日 11:20 | | 引用
陈 说:
谢谢
2008年10月10日 21:36 | | 引用
Texas 说:
非常感谢楼主。
请继续写DBCS->UNICODE的文章
2008年10月30日 12:06 | | 引用
riskman 说:
写得真不错!!
2008年10月30日 15:07 | | 引用
Taken 说:
感谢阮兄精彩讲解...收获良多
另:能否稍微再增加点UTF-16,UTF-32的基本介绍和应用范围的介绍...
2008年11月06日 15:41 | | 引用
syjun37 说:
非常感谢这篇文章,我想请问一下,GBK和BIG5之间的关系是怎样的呢?是包含还是交集呢?
2008年11月07日 13:33 | | 引用
gg 说:
引用syjun37的发言:非常感谢这篇文章,我想请问一下,GBK和BIG5之间的关系是怎样的呢?是包含还是交集呢?
完全不同的两套编码标准,对应不同的代码页。同样的字在big5和GBK中的编码是不一样的。
2008年11月26日 23:04 | | 引用
Honeyhacker 说:
相当不错,这是我打算研究编码的时候看到的第一篇文章。几天之后再来评论!!
2008年11月28日 08:45 | | 引用
Honeyhacker 说:
你在文中提到:“UTF-8最大的一个特点,就是它是一种变长的编码方式。它可以使用1~4个字节表示一个符号,根据不同的符号而变化字节长度”。我在http://dev.csdn.net/develop/article/83/83012.shtm上看到:
以下是Unicode和UTF-8之间的转换关系表:
U-00000000 - U-0000007F: 0xxxxxxx
U-00000080 - U-000007FF: 110xxxxx 10xxxxxx
U-00000800 - U-0000FFFF: 1110xxxx 10xxxxxx 10xxxxxx
U-00010000 - U-001FFFFF: 11110xxx 10xxxxxx 10xxxxxx 10xxxxxx
U-00200000 - U-03FFFFFF: 111110xx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx
U-04000000 - U-7FFFFFFF: 1111110x 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx
该文中明显说到UTF-8不限于四个字节。
请问得到1-4个字节的结论是从哪里找到的?
2008年11月28日 10:23 | | 引用
Ruan YiFeng 说:
引用Honeyhacker的发言:该文中明显说到UTF-8不限于四个字节。
请问得到1-4个字节的结论是从哪里找到的?
早先的规定是,utf-8可以到6个字节。但是,这已经废除了,目前规定是只支持4个字节,大于U+001FFFFF的符号utf-8不再支持。具体请参阅wikipedia。
2008年11月28日 11:18 | | 引用
Honeyhacker 说:
原来如此!感谢你的回复!再问一个问题,从网络中抓获的数据报,在用wireshark分析的时候,如何判断其中的哪些数据使用了Unicode编码?(从snort给出的信息中,该条数据确实有Unicode编码)。
2008年11月28日 21:38 | | 引用
morpheus 说:
前辈,计算机怎么知道三个字节表示一个符号,而不是分别表示三个符号呢
这个是怎么实现的呢,我有点不明白,还望回复一下,感激不尽。
2008年11月29日 13:31 | | 引用
Honeyhacker 说:
或者这样说,两台主机通信的时候,A接收到B发送的消息后,它如何知道该报文采取的是什么编码类型?在报文的格式里面好像没有提到这一点吧!
2008年12月01日 09:47 | | 引用
chen3feng 说:
引用Ruan YiFeng的发言:UTF-16不等于unicode啊,不能混为一谈。
Windows 从 NT 开始,一开始的内码是 UCS-2,只支持 Unicode BMP 字符,后来做了扩充,目前的内码就是 UTF-16,通常不严格地称为 Unicode。