unicode编码 简谈

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。



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。


Unicode 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+4E00表示汉字"一"。具体的符号对应表，可以查询 unicode.org，或者专门的汉字对应表。 



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"一"的 unicode 是十六进制数4E00，转换成二进制数足足有15位（100111000000000），也就是说这个符号的表示至少需要2个字节。而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。


这里就有两个的问题，一个是，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，这对于存储空间来说是极大的浪费，文本文件的大小会因此大出二三倍，这是难以接受的。

它们造成的直接结果是：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 。另外 unicode 在很长一段时间内无法推广，直到互联网的出现。

网络上流行的utf-8就是unicode编码的一类应用.



如何查询 Unicode 编码

在 Windows 系统下，你可以在运行栏输入 "eudcedit.exe" 调用 TrueType 造字程序，在其中的窗口--参照页，在"代码"栏输入 Unicode 编码可以查找到相应的字符；在"形状"栏输入字符则可以查找到相应的 Unicode 编码 。