`
hacker_zxf
  • 浏览: 147640 次
  • 性别: Icon_minigender_1
  • 来自: 杭州
社区版块
存档分类
最新评论

计算机常识:字符编码简介——ASCII、Unicode、UTF-8、GB2312

阅读更多
字符编码简介:ASCII,Unicode,UTF-8,GB2312
转自:http://blog.chinaunix.net/u2/67750/showart_1725039.html

更详细可以看:http://www.linuxforum.net/books/UTF-8-Unicode.html
其它编码文章:
http://www.vckbase.com/document/viewdoc/?id=1397
http://www.vckbase.com/document/viewdoc/?id=1444


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
Unicode字符集(简称为UCS),国际标准组织于1984年4月成立ISO/IEC
JTC1/SC2/WG2工作组,针对各国文字、符号进行统一性编码。1991年美国跨国公司成立Unicode
Consortium,并于1991年10月与WG2达成协议,采用同一编码字集。目前Unicode是采用16位编码体系,其字符集内容与
ISO10646的BMP(Basic Multilingual Plane)相同。Unicode于1992年6月通过DIS(Draf
International
Standard),目前版本V2.0于1996公布,内容包含符号6811个,汉字20902个,韩文拼音11172个,造字区6400个,保留
20249个,共计65534个。Unicode编码后的大小是一样的.例如一个英文字母 "a" 和 一个汉字
"好",编码后都是占用的空间大小是一样的,都是两个字节!
Unicode可以用来表示所有语言的字符,而且是定长双字节(也有四字节的)编码,包括英文字母在
内。所以可以说它是不兼容iso8859-1编码的,也不兼容任何编码。不过,相对于iso8859-1编码来说,uniocode编码只是在前面增加了
一个0字节,比如字母'a'为"00 61"。
需要说明的是,定长编码便于计算机处理(注意GB2312/GBK不是定长编码),而unicode又可以用来表示所有字符,所以在很多软件内部是使用unicode编码来处理的,比如java。
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。 http://www.chi2ko.com/tool/CJK.htm
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 国标
   9.1 GB码

全称是GB2312-80《信息交换用汉字编码字符集基本集》,1980年发布,是中文信息处理的国家标准,在大陆及海外使用简体中文的地区(如新加坡
等)是强制使用的唯一中文编码。P-Windows3.2和苹果OS就是以GB2312为基本汉字编码, Windows
95/98则以GBK为基本汉字编码、但兼容支持GB2312。
双字节编码
范围:A1A1~FEFE
A1-A9:符号区,包含682个符号
B0-F7:汉字区,包含6763个汉字
   9.2 GB2312

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。GB2312-80中共收录了7545个字符,用两个字节编码一个
字符。每个字符最高位为0。GB2312-80编码简称国标码。
  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。
   9.3 GB12345-90
1990年制定了繁体字的编码标准GB12345-90《信息交换用汉字编码字符集第一辅助集》,目的
在于规范必须使用繁体字的各种场合,以及古籍整理等。该标准共收录6866个汉字(比GB2312多103个字,其它厂商的字库大多不包括这些字),纯繁
体的字大概有2200余个。
双字节编码
范围:A1A1~FEFE
A1-A9:符号区,增加竖排符号
B0-F9:汉字区,包含6866个汉字
   9.4 GBK
GBK编码(Chinese Internal Code
Specification)是中国大陆制订的、等同于UCS的新的中文编码扩展国家标准。gbk编码能够用来同时表示繁体字和简体字,而gb2312只
能表示简体字,gbk是兼容gb2312编码的。GBK工作小组于1995年10月,同年12月完成GBK规范。该编码标准兼容GB2312,共收录汉字
21003个、符号883个,并提供1894个造字码位,简、繁体字融于一库。Windows95/98简体中文版的字库表层编码就采用的是GBK,通过
GBK与UCS之间一一对应的码表与底层字库联系。
英文名:Chinese Internal Code Specification
中文名:汉字内码扩展规范1.0版
双字节编码,GB2312-80的扩充,在码位上和GB2312-80兼容
范围:8140~FEFE(剔除xx7F)共23940个码位
包含21003个汉字,包含了ISO/IEC 10646-1中的全部中日韩汉字
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)http://www.joelonsoftware.com/articles/Unicode.html
* 谈谈Unicode编码 http://www.pconline.com.cn/pcedu/empolder/gj/other/0505/616631.html
* RFC3629:UTF-8, a transformation format of ISO 10646(如果实现UTF-8的规定)http://www.ietf.org/rfc/rfc3629.txt

作者:
mjgforever
出处:
http://mjgforever.cnblogs.com/
本文版权归作者和博客园共有,欢迎转载,但未经作者同意必须保留此段声明。
分享到:
评论

相关推荐

    xe10_utf_8转换

    UTF-8是一种非常普遍的字符编码标准,能够支持Unicode字符集,包括世界上几乎所有的文字系统。在Delphi程序中,处理UTF-8编码通常是进行数据输入、输出或者字符串操作时的重要环节。 1. **UTF-8编码介绍**:UTF-8是...

    C语言GBK、Unicode与UTF8互转代码,含转码表及接口函数

    对于ASCII字符(拉丁字母等),UTF-8与ASCII编码相同,这使得它在兼容性方面具有优势。 在C语言中,处理这些编码转换通常涉及以下步骤: - **读取原始数据**:首先,你需要读取原始的GBK或UTF-8编码的数据,这可以...

    语言程序设计资料:Unicode-程序员读物:谈谈Unicode编码.doc

    UTF(Unicode Transformation Format)是Unicode的实现方式,其中UTF-8是最广泛使用的,因为它具有良好的向后兼容性,并且对ASCII字符保持了原始的单字节表示。UTF-16则是以16位(2字节)为单位编码,有Big Endian和...

    GB2311 UNICODE字符集以及字符编码知识了解

    例如,将GB2312编码的数据转换为Unicode或UTF-8格式,或者将UTF-16的数据转换为UTF-8格式等。 #### 七、字节顺序标记(Byte Order Mark, BOM) 在处理Unicode编码时,还涉及到了字节序的问题。字节序是指在内存中...

    中英文字符编码查询_V1.1

    该软件能快速查询中英文字符的ASCII、区位码、GB2312 码、Big5 码、GBK 内码、Unicode 码、UTF-8 码和 UTF-16 码。体积小、效率高、使用方便、批量转换、即输即得和多进制显示等。 V1.1 更新说明: 优化了部分...

    浅谈文字编码和Unicode

    UTF-8的优点在于其对ASCII字符的兼容性——ASCII字符在UTF-8中仅需一个字节表示,与ASCII编码完全一致,这使得UTF-8在互联网上成为最广泛接受的编码格式。 除了UTF-8,Unicode还有其他实现,如UTF-16和UTF-32。UTF-...

    Unicode编码方案.docx

    Unicode是一种国际化的字符编码方案,旨在解决传统字符编码(如ASCII、GB2312等)在跨语言和跨平台使用中存在的局限性问题。它通过为每种语言中的每个字符定义唯一且统一的二进制编码,实现了全球各种文字的有效表示...

    免费且超小的unicode编码转换软件(toUnicode)

    这个软件支持的三种编码格式——UTF-16LE、UTF-16BE和UTF-8,都是Unicode编码的实现方式。 - UTF-16LE(Little Endian)是Unicode的一种16位编码形式,其中最低有效字节在前,最高有效字节在后。这种格式通常在...

    gb2312 gbk 编码表

    总结来说,GB2312和GBK是中国特有的字符编码标准,主要用于简体中文的处理,而UTF-8是全球通用的编码方式,能表示多种语言的字符。在处理中文文本时,理解这些编码的区别和转换方法至关重要,这对于编程、数据处理和...

    unicode 汉字编码表

    - **存储**: Unicode字符在计算机中通常采用UTF-8、UTF-16或UTF-32格式存储。其中,UTF-8是最广泛使用的编码方式,因为它能够高效地存储英文等单字节字符,同时也能很好地支持多字节字符。 - **传输**: 在网络传输中...

    全能字符编码转换工具

    这款工具支持多种编码格式,包括GBK、GB2312、Unicode、UTF-8以及UCS和ANSI等,覆盖了国内外常见的字符集标准。 GBK编码,全称“汉字内码扩展规范”,是中国大陆使用广泛的一种中文编码,兼容GB2312,同时增加了...

    Java Unicode 和字符集

    UTF-8(8-bit Unicode Transformation Format)是一种可变长度的字符编码,它使用1到4个字节来表示一个Unicode字符。这种编码方式的设计目的是为了兼容ASCII编码,因此对于ASCII字符集中的字符,UTF-8只需要使用一个...

    JAVA里字符编码的探索与理解.txt

    通过对JAVA中字符编码的探索,我们可以发现JAVA采用UNICODE字符集并支持多种编码方式,如UTF-8和UTF-16,以满足不同场景的需求。理解这些编码方式及其在JAVA中的应用对于开发高质量的国际化应用至关重要。通过本篇...

    编码历史演变过程

    从ASCII到GB2312再到Unicode与UTF-8,字符编码经历了从简单到复杂的演变过程。每一次变革都是为了更好地适应社会和技术发展的需求。未来,随着技术的进步和社会的多元化发展,字符编码领域还将继续迎来新的挑战和...

    utf8-validator-1.2.zip

    《UTF-8编码验证工具——utf8-validator-1.2.zip详解》 在信息技术领域,字符编码是一个至关重要的环节,特别是在处理多语言环境时。UTF-8编码作为目前最广泛使用的字符编码方式,其规范性和正确性对于软件的正常...

    取字模软件PCtoLCD、ASCII码表、GB2312标准汉字库IC使用手册、GB2312简体中文编码表资料.zip

    3. **GB2312标准**:GB2312是中国国家标准的简体中文字符编码,全称为“信息交换用汉字编码字符集——基本集”。它定义了6763个常用汉字和682个非汉字图形字符的编码,采用双字节编码方式,每字节有7位有效数据,...

    2024码表IO流-字节流-HM

    最初的计算机是由美国人发明的,早期的计算机主要处理英文字符,因此,为了解决计算机对字符的处理需求,美国制定了一套用于字符编码的标准——ASCII码表。 - **ASCII码表**:该码表包括了英文字母、数字、标点符号...

    字符转化为UNICODE码

    Unicode的出现解决了早期各种字符编码系统(如ASCII、GB2312等)无法兼容全球多语言字符的问题,确保了文本在不同平台和系统之间的可移植性。 Unicode码由一个非营利组织——Unicode联盟制定并维护,它将每个字符...

    字符集——几种编码.doc

    UTF-8 是一种变长编码方式,可以将 Unicode 字符串转换为一个字节流。UTF-16 和 UTF-32 是固定长度的编码方式,可以将 Unicode 字符串转换为 16 位或 32 位的整数。 在 Unicode 编码中,还有一个特殊的概念叫做 ...

Global site tag (gtag.js) - Google Analytics