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。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。现在的PC平台必须支持GB18030,对嵌入式产品暂不作要求。所以手机、MP3一般只支持GB2312。
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)。
有的中文Windows的缺省内码还是GBK,可以通过GB18030升级包升级到GB18030。不过GB18030相对GBK增加的字符,普通人是很难用到的,通常我们还是用GBK指代中文Windows内码。
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。
在DBCS中,GB内码的存储格式始终是big endian,即高位在前。
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6C49,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10646-3:2003。
UCS规定了怎么用多个字节表示各种文字。怎样传输这些编码,是由UTF(UCS Transformation Format)规范规定的,常见的UTF规范包括UTF-8、UTF-7、UTF-16。
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。
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。
大端与小端
Little endian和Big endian
UTF-8以字节为编码单元,没有字节序的问题。UTF-16(即unidode,Unicode码可以采用UCS-2格式直接存储)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。例如收到一个“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。
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。
另外,用程序也很容易判断您的机器是大端还是小端,例:
{
unsigned short test = 0x1122;
if(*( (unsigned char*) &test ) == 0x11)
cout<<“大端”;
else
cout<<“小端”;
}
UTF-8的编码规则
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6C49。6C49在0800-FFFF之间,所以肯定要用3字节模板了:1110xxxx 10xxxxxx 10xxxxxx。将6C49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。
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
Unicode与UTF-8之间的转换
以汉字“严”为例,演示如何实现UTF-8编码。
unicode: 转 utf8:
已知“严”的unicode是4E25(1001110,00100101),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。
Utf8 转unicode:
仍以“严”为例,“严”的UTF8编码为E4B8A5,转换成2进制为11100100 10111000 10100101,对应的格式为1110xxxx 10xxxxxx 10xxxxxx。这时,只要我们将为“X”的位取出来,其他丢掉,那就成了unicode码了,如11100100 10111000 10100101分别丢掉1110, 10, 10后,得到100, 111000l, 100101,重新排列下,为(1001 1100, 0110 0101)转换在十六进制是4E25
需要注意的是,上面所述的unicode: 转 utf8方法中的unicode采用的是大端编码方式。如果我们的机器为小端编码方式,那么只“严”的unicode码将是“254E”,这时我们只需简单地将它们换个位置,换成大端方式,即4E25方式,就可以按上述方法来转换了。
关于ascii, unicode(UCS-2,直接用两个字节存入字符的Unicode码), utf8三种编码存储文件时所占空间大小分析
例一:
新建一文本文件,内容为全英文(也就是ascii),假设保存后大小为10K,文件名为“纯英文exp.txt”。这时再用ultraEdit打开,依次单击“文件”——“转换”——“ascii转unicode”,并另存为1.txt,这时,我们会发现这个1.txt的大小为20K。
我们再按上面的部骤来操作一次,不过这次是从“ascii转 utf8”,并另存为2.txt,这时,2.txt文件的大小仍为10K,也就是和以“ascii”存储时所占空间一样大。
如此引出个两个问题,
1:1.txt大小为什么为20k.
2:2.txt大小为什么为10k
解:
1. 1.txt大小之所以是20K,也就是是以ascii码存储的二倍大小,原因是因为它是以unicode码存储的。Unicode编码规定,所以字符都是以2个字节来存储的,而ascii码存英文时是以一个字节来存储的。如此一来,在存储纯英文时,用unicode存储的文件所占空间就自然是ascii码存储方式的二倍了
2. 2.txt以UTF8编码方式存储后大小为什么没有变呢?是不是ascii码和UTF8码是一种编码啊?答案是否定的。它们当然不会是同一种编码,要不也就没这个必要起两个名字来。至于它们存纯英文文件时大小一至,那是因为,UTF8码是可变长度的(前一至三个字节可变),它规定,当处理ascii码时,就以ascii码方式处理,也就是以一个字节来存储ascii码,这么一来,当然就和ascii码存储时所占空间一样大小了。
例二:新建一文本文件,内容为全中文(仍以ascii方式保存),假设保存后大小为10K,文件名为“纯英文exp.txt”。这时再用ultraEdit打开,依次单击“文件”——“转换”——“ascii转unicode”,并另存为1.txt,这时,我们会发现这个1.txt的大小仍为10K。
我们再按上面的部骤来操作一次,不过这次是从“ascii转 utf8”,并另存为2.txt,这时,2.txt文件的大小为15K,.
同样引出个两个问题,
1:1.txt大小为什么为10k.
2:2.txt大小为什么为15k
解:
1. 1.txt是以unicode方式存储的。上面说过,unicode表示所有字符都是2字节来表示的。而ascii码表示中文时也是用两个字节来表示的,所以,用这两种编码方式来存储中文文件时,所占空间大小是一样的。
2. txt采用的UTF8方式来存储。UTF8存储中文时,是以三个字节来存储一个中文的,比unicode多用了一个字节,所占存储空间自然也就多了1/3。所以2.txt的大小为15K,15K刚好比10K多了1/3。
总结,ascii码存储字符时,英文字符占一个字节,中文字符占两个字节。 Unciode存储字符时,所有字符都占用两字节。Utf8存储字符时,英文字符占一个字节,中文占三个字节,泛欧语系、斯拉夫语字母占2 Bytes