字符集简史

转载前言:

现在国内流行用诙谐的语言写技术文章,看了好多,确实容易看进去点,特别是“编码”、“字符集”这类纯枯燥的东西。

但是有些说的确实是云里雾里的。

国内的

===========================

作者: Marius Bancila

  字符集简史
  在所有 字符集中,最知名的可能要数被称为ASCII的7位字符集了。它是美国标准信息交换代码(American Standard Code for Information Interchange)的缩写, 为美国英语通信所设计。它由128个 字符组成,包括大小写字母、数字0-9、标点符号、非打印字符(换行符、 制表符等4个)以及 控制字符(退格、响铃等)组成。
  但是,由于他是针对英语设计的,当处理带有音调标号(形如汉语的拼音)的欧洲文字时就会出现问题。因此,创建出了一些包括255个字符的由 ASCII扩展的字符集。其中有一种通常被称为IBM字符集,它把值为128-255之间的字符用于画图和画线,以及一些特殊的欧洲字符。另一种8位字符集是 ISO 8859-1Latin 1,也简称为ISO Latin-1。它把位于128-255之间的字符用于拉丁字母表中特殊语言字符的编码,也因此而得名。
   ASCII码格式

ASCII码格式

欧洲语言不是地球上的唯一语言,因此亚洲和非洲语言并不能被8位字符集所支持。仅汉语(或pictograms)字母表就有80000以上个字符。但是把汉语、日语和越南语的一些相似的字符结合起来,在不同的语言里,使不同的字符代表不同的字,这样只用2个 字节就可以编码地球上几乎所有地区的文字。因此,创建了 UNICODE编码。它通过增加一个高字节对ISO Latin-1字符集进行扩展,当这些高字节位为0时,低字节就是ISO Latin-1字符。UNICODE支持欧洲、非洲、中东、亚洲(包括统一标准的东亚象形汉字和韩国象形文字)。但是,UNICODE并没有提供对诸如Braille, Cherokee, Ethiopic, Khmer, Mongolian, Hmong, Tai Lu, Tai Mau文字的支持。同时它也不支持如Ahom, Akkadian, Aramaic, Babylonian Cuneiform, Balti, Brahmi, Etruscan, Hittite, Javanese, Numidian, Old Persian Cuneiform, Syrian之类的古老文字。
  事实证明,对可以用ASCII表示的字符使用UNICODE并不高效,因为UNICODE比ASCII占用大一倍的空间,而对ASCII来说高字节的0对他毫无用处。为了解决这个问题,就出现了一些中间格式的字符集,他们被称为通用转换格式,即 UTF(Universal Transformation Format)。目前存在的UTF格式有:UTF-7, UTF-7.5, UTF-8, UTF-16, 以及 UTF-32。本文讨论UTF-8字符集的基础。

编辑本段UTF8字符集

  如果UNICODE 字符由2个 字节表示,则编码成UTF-8很可能需要3个字节。而如果UNICODE字符由4个字节表示,则编码成UTF-8可能需要6个字节。用4个或6个字节去编码一个UNICODE字符可能太多了,但很少会遇到那样的UNICODE字符。 UTF-8转换表表示如下:
  
UNICODEbit数UTF-8byte数备注
0000 0000 ~
0000 007F
0~70XXX XXXX1
0000 0080 ~
0000 07FF
8~11110X XXXX
10XX XXXX
2
0000 0800 ~
0000 FFFF
12~161110 XXXX
10XX XXXX
10XX XXXX
3基本定义范围:0~FFFF
0001 0000 ~
001F FFFF
17~211111 0XXX
10XX XXXX
10XX XXXX
10XX XXXX
4Unicode6.1定义范围:0~10 FFFF
0020 0000 ~
03FF FFFF
22~261111 10XX
10XX XXXX
10XX XXXX
10XX XXXX
10XX XXXX
5
0400 0000 ~
7FFF FFFF
27~311111 110X
10XX XXXX
10XX XXXX
10XX XXXX
10XX XXXX
10XX XXXX
6
实际表示ASCII字符的UNICODE字符,将会编码成1个字节,并且UTF-8表示与ASCII字符表示是一样的。所有其他的UNICODE字符转化成UTF-8将需要至少2个字节。每个字节由一个 换码序列开始。第一个字节由唯一的换码序列,由n位连续的1加一位0组成, 首字节连续的1的个数表示 字符编码所需的字节数。
  示例
  UNICODE uCA(11001010) 编码成UTF-8将需要2个字节:
  uCA -> C3 8A
  UNICODE uF03F (11110000 00111111) 编码成UTF-8将需要3个字节:
  u F03F -> EF 80 BF
  
Unicode 16进制Unicode 2进制bit数UTF-8 2进制UTF-8 16进制
CA1100 101081100 0011 1000 1010C3 8A
F0 3F1111 0000 0011 1111161110 1111 1000 0000 1011 1111EF 80 BF
 译者注:由上分析可以看到,UNICODE到UTF-8的转换就是先确定编码所需要的字节数,然后用UNICODE编码位从低位到高位依次填入上面表示为x的位上,不足的高位以0补充。以上是个人经验,如有错误,请不惜指教,谢过先:)

编辑本段优缺点

UTF-8编码的优点:

  UTF-8编码可以通过屏蔽位和移位操作快速读写。 字符串比较时strcmp()和 wcscmp()的返回结果相同,因此使排序变得更加容易。 字节FF和FE在UTF-8编码中永远不会出现,因此他们可以用来表明UTF-16或UTF-32文本(见BOM) UTF-8 是 字节顺序无关的。它的字节顺序在所有系统中都是一样的,因此它实际上并不需要BOM。

UTF-8编码的缺点:

  你无法从UNICODE 字符数判断出UTF-8文本的 字节数,因为UTF-8是一种 变长编码它需要用2个字节编码那些用 扩展ASCII 字符集只需1个字节的字符 ISO Latin-1 是UNICODE的子集,但不是UTF-8的子集 8位字符的UTF-8编码会被email网关过滤,因为internet信息最初设计为7位ASCII码。因此产生了UTF-7编码。 UTF-8 在它的表示中使用值100xxxxx的几率超过50%, 而现存的实现如ISO 2022, 4873, 6429, 和8859系统,会把它错认为是C1 控制码。因此产生了UTF-7.5编码。

编辑本段UTF8修正更新

  java使用UTF-16表示内部文本,并支持用于 字符串行化的非标准的修正UTF-8编码。
   UTF-8保存使用

UTF-8保存使用

标准UTF-8和修正的UTF-8有两点不同:
  修正的UTF-8中,null 字符编码成2个 字节(1100000010000000)而不是标准的1个字节(00000000),这样作可以保证编码后的字符串中不会嵌入null字符。因此如果在 类C语言中处理字符串,文本不会在第一个null字符时截断(C字符串以'\0'结尾)。
  在标准UTF-8编码中,超出基本多语言范围(BMP-BasicMultilingualPlain)的字符被编码为4字节格式,但是在修正的UTF-8编码中,他们由 代理编码对(surrogatepairs)表示,然后这些代理编码对在序列中分别重新编码。结果标准UTF-8编码中需要4个字节的字符,在修正后的UTF-8编码中将需要6个字节。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值