`
conkeyn
  • 浏览: 1529207 次
  • 性别: Icon_minigender_1
  • 来自: 厦门
社区版块
存档分类
最新评论

字符集编码Unicode ,gb2312 cp936

阅读更多

转自:http://old.blog.edu.cn/user3/flyingcs/archives/2006/1418577.shtml


这是一篇程序员写给程序员的趣味读物。所谓趣味是指可以比较轻松地了解一些原来不清楚的概念,增进知识,类似于打RPG游戏的升级。整理这篇文章的动机是两个问题:

问题一:
使用Windows记事本的“另存为”,可以在GBK、Unicode、Unicode big endian和UTF-8这几种编码方式间相互转换。同样是txt文件,Windows是怎样识别编码方式的呢?

我很早前就发现Unicode、Unicode big endian和UTF-8编码的 txt文件的开头会多出几个字节,分别是FF、FE(Unicode),FE、FF(Unicode big endian),EF、BB、 BF(UTF-8)。但这些标记是基于什么标准呢?


问题二:
最近在网上看到一个ConvertUTF.c,实现了UTF-32、UTF-16和UTF-8这三种编码方式的相互转换。对于Unicode(UCS2)、GBK、UTF-8这些编码方式,我原来就了解。但这个程序让我有些糊涂,想不起来UTF-16和UCS2有什么关系。

查了查相关资料,总算将这些问题弄清楚了,顺带也了解了一些Unicode的细节。作者写成一篇文章,送给有过类似疑问的朋友。本文在写作时尽量做到通俗易懂,但要求读者知道什么是字节,什么是十六进制。


0、big endian和little endian
big endian和 little endian是CPU处理多字节数的不同方式。例如“汉”字的Unicode编码是6C49。那么写到文件里时,究竟是将6C写在前面,还是将49写在前面?如果将6C写在前面,就是big endian。如果将49写在前面,就是little endian。

“endian” 这个词出自《格列佛游记》。小人国的内战就源于吃鸡蛋时是究竟从大头(Big-Endian)敲开还是从小头(Little-Endian)敲开,由此曾发生过六次叛乱,一个皇帝送了命,另一个丢了王位。

我们一般将endian翻译成“字节序”,将big endian 和little endian称作“大尾”和“小
尾”。


1、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 ISO 10646-3:2003。

UCS只是规定如何编码,并没有规定如何传输、保存这个编码。例如“汉”字的UCS编码是6C49,我可以用4个ascii数字来传输、保存这个编码;也可以用utf-8编码:3个连续的字节E6 B1 89来表示它。关键在于通信双方都要认可。UTF-8、UTF-7、UTF-16都是被广泛接受的方案。UTF-8的一个特别的好处是它与ISO- 8859-1完全兼容。UTF是 “UCS Transformat
ion Format”的缩写。

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。


2.1、内码和code page

目前Windows的内核已经采用Unicode编码,这样在内核上可以支持全世界所有的语言文字。但是由于现有的大量程序和文档都采用了某种特定语言的编码,例如GBK,Windows不可能不支持现有的编码,而全部改用Unicode。

Windows 使用代码页(code page)来适应各个国家和地区。code page可以被理解为前面提到的内码。GBK对应的code page是 CP936。

微软也为GB18030定义了code page:CP54936。但是由于GB18030有一部分4字节编码,而Windows 的代码页只支持单字节和双字节编码,所以这个code page是无法真正使用的。


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。

4、UTF编码

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。

读者可以用记事本测试一下我们的编码是否正确。需要注意,UltraEdit在打开utf-8编码的文本文件时会自动转换为UTF-16,可能产生混淆。你可以在设置中关掉这个选项。更好的工具是Hex Workshop。

UTF-16以16位为单元对UCS进行编码。对于小于0x10000的UCS码,UTF-16编码就等于UCS码对应的16位无符号整数。对于不小于0x10000的UCS码,定义了一个算法。不过由于实际使用的UCS2,或者UCS4 的BMP必然小于0x10000,所以就目前而言,可以认为UTF-16和UCS-2基本相同。但UCS-2只是一个编码方案,UTF-16却要用于实际的传输,所以就不得不考虑字节序的问题。


5、UTF的字节序和BOM

UTF-8以字节为编码单元,没有字节序的问题。UTF-16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“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。

6、进一步的参考资料

本文主要参考的资料是 "Short overview of ISO- IEC 10646 and Unicode" ( http://www.nada.kth.se/i18n/ucs/unicode- iso10646-oview.html )。

我还找了两篇看上去不错的资料,不过因为我开始的疑问都找到了答案,所以就没有看:

"Understanding Unicode A general introduction to the Unicode Standard" ( http://scripts.sil.org/cms/scripts/page.php?site_id=nrsi&item_id=IWS-Chapter04a ) "Character set encoding basics Understanding character set encodings and legacy encodings" ( http://scripts.sil.org/cms/scripts/page.php?site_id=nrsi&item_id=IWS- Chapter03 ) 我写过UTF-8、UCS-2、GBK相互转换的软件包,包括使用Windows API和不使用 Windows API的版本。以后有时间的话,我会整理一下放到我的个人主页上( http://fmddlmyy.home4u.china.com )。


附录1 再说说区位码、GB2312、内码和代码页

有的朋友对文章中这句话还有疑问: “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。”

我再详细解释一下:

“GB2312的原文”是指国家1980年的一个标准《中华人民共和国国家标准 信息交换用汉字编码字符集 基本集 GB 2312-80》。这个标准用两个数来编码汉字和中文符号。第一个数称为“区”,第二个数称为“位”。所以也称为区位码。1-9区是中文符号,16-55 区是一级汉字,56-87区是二级汉字。现在Windows 也还有区位输入法,例如输入1601得到“啊”。

内码是指操作系统内部的字符编码。早期操作系统的内码是与语言相关的.现在的 Windows在内部统一使用Unicode,然后用代码页适应各种语言,“内码”的概念就比较模糊了。微软一般将缺省代码页指定的编码说成是内码,在特殊的场合也会说自己的内码是Unicode,例如在 GB18030问题的处理上。

所谓代码页 (code page)就是针对一种语言文字的字符编码。例如GBK的code page是CP936,BIG5的code page是 CP950,GB2312的code page是CP20936。

Windows中有缺省代码页的概念,即缺省用什么编码来解释字符。例如Windows的记事本打开了一个文本文件,里面的内容是字节流:BA、BA、D7、D6。Windows应该去怎么解释它呢?

是按照Unicode编码解释、还是按照GBK解释、还是按照BIG5解释,还是按照ISO8859-1去解释?如果按GBK去解释,就会得到“汉字”两个字。按照其它编码解释,可能找不到对应的字符,也可能找到错误的字符。所谓“错误”是指与文本作者的本意不符,这时就产生了乱码。

答案是Windows按照当前的缺省代码页去解释文本文件里的字节流。缺省代码页可以通过控制面板的区域选项设置。记事本的另存为中有一项ANSI,其实就是按照缺省代码页的编码方法保存。

Windows的内码是Unicode,它在技术上可以同时支持多个代码页。只要文件能说明自己使用什么编码,用户又安装了对应的代码页,Windows就能正确显示,例如在HTML文件中就可以指定charset。

有的HTML文件作者,特别是英文作者,认为世界上所有人都使用英文,在文件中不指定charset。如果他使用了0x80-0xff之间的字符,中文Windows又按照缺省的GBK去解释,就会出现乱码。这时只要在这个html文件中加上指定 charset的语句,例如:如果原作者使用的代码页和ISO8859-1兼容,就不会出现乱码了。

再说区位码,啊的区位码是 1601,写成16进制是0x10,0x01。这和计算机广泛使用的ASCII编码冲突。为了兼容00-7f的 ASCII编码,我们在区位码的高、低字节上分别加上A0。这样“啊”的编码就成为B0A1。我们将加过两个A0的编码也称为GB2312编码,虽然 GB2312的原文根本没提到这一点。

分享到:
评论

相关推荐

    pb调用外部函数进行字符集转换.zip

    本压缩包“pb调用外部函数进行字符集转换.zip”提供了一些方法来实现UTF-8、GB2312和CP936之间的转换。以下是对这些转换操作的详细解释: 1. **UTF-8转GB2312**: UTF-8是一种可变长度的Unicode编码,广泛用于网络...

    字符集编码

    首先,我们来看看“Gb2312字符集编码”。GB2312,全称“国标汉字编码字符集”,是中国大陆最早制定的汉字编码标准,发布于1980年。这个字符集包含了6763个常用汉字和682个非汉字图形符号,主要用于简体中文的处理。...

    UTF8转GB2312源码

    1. 首先,通过`CP936.h`中的定义,程序会识别GB2312字符集的规则,包括字符映射表,将每个GB2312编码映射到对应的Unicode码点。 2. 接着,`conv.c`中的函数会遍历UTF-8编码的字符串,每个UTF-8编码的字符可能由1到4...

    Linux字符集编码转换.docx

    Linux 字符集编码转换 Linux 字符集编码转换是一个非常重要的概念,在 Linux 操作系统中,字符集编码转换是必备的知识。本文将从基础概念开始,逐步引导读者了解字符集编码转换的相关知识。 首先,让我们了解什么...

    常用字符编码详解.doc

    GBK 是 GB2312 的超集,CP936 和 GBK 有些许差别,但绝大多数情况下可以把 CP936 当作 GBK 的别名。GB18030 编码是 GBK 和 GB2312 的超集,兼容了所有 Unicode3.1 中的字符。 字符编码是计算机科学中的一种基础概念...

    GBK代码页CP936

    GBK编码,全称为“Great Wall Byte Order Mark”,是中国大陆广泛使用的汉字编码标准,与GB2312编码兼容,但扩展了更多的字符集。它基于ISO/IEC 10646-1(即Unicode)标准,是Unicode的一个子集,主要用来支持中文...

    常用字符集简介

    GBK编码是GB2312的超集,向下完全兼容GB2312的同时,收录了Unicode基本多文种平面中的所有CJK汉字,从而大大扩展了字符集的容量。GBK同样支持希腊字母、日文假名字母、俄语字母等字符,但不支持韩语中的表音字符。...

    ANSI字符串与Unicode字符串的相互转换

    ANSI字符串实际上是一个历史遗留的术语,它通常指的是基于特定区域设置的本地化ASCII扩展编码,如Windows系统中的代码页(Code Page)如CP1252(用于西欧语言)或CP936(用于简体中文)。这些编码只能表示有限的字符...

    sybase字符集及各种常用字符集介绍

    - 安装额外的字符集,如CP936,需要按照Sybase提供的文档进行操作,包括编译和加载字符集文件到数据库中。 理解并正确配置Sybase ASE的字符集和排序顺序,对于创建多语言应用和保证数据的正确性至关重要。在设计...

    phpmyadmin 整理 字符集

    7. **Chinese 字符集**:`gb2312` 和 `gbk` 主要用于简体中文,`gb2312_bin` 和 `gb2312_chinese_ci` 以及 `gbk_bin` 和 `gbk_chinese_ci` 分别是二进制和不区分大小写版本。`eucjpms` 和 `euckr` 分别对应日本的 ...

    Qt中的字符编码转换:UTF8、Unicode、GBK、ASCII、16进制字符、16进制数值

    - Unicode:统一码,为全球所有语言提供单一的字符集,包含超过140,000个字符,使用两个到四个字节编码。 - UTF-8:Unicode的一种变长编码方式,兼容ASCII,广泛用于网络和文本文件,从1到4个字节不等。 在Qt中,...

    java支持的字符集

    基本字符集主要包含在Java运行时库`rt.jar`中,涵盖了常见的国际标准和一些特定编码方式。具体包括以下几种: - **ASCII**:即美国信息交换标准代码(American Standard Code for Information Interchange),这是...

    win32下UTF-8转GB2312代码

    UTF-8是一种可变长度的Unicode编码格式,它能够支持世界上几乎所有的字符集。在UTF-8中,ASCII字符被编码为单个字节,而其他字符则可能需要1到4个字节来表示。这种设计使得UTF-8在存储和传输文本时既高效又兼容旧的...

    字符编码转换iconv

    常见的字符编码有 ASCII、ISO-8859-1、Unicode(包含 UTF-8、UTF-16 等变体)以及 GB2312、GBK、GB18030 等针对中文的编码。不同的编码系统适用于不同的场景,例如 ASCII 主要用于英文,而 UTF-8 支持全球多种语言。...

    mysql字符集和数据库引擎修改方法分享

    MySQL字符集:cp1252 West European (latin1) ,解决乱码问题 使用虚拟主机空间上的phpmyadmin操作数据库的时候,如果看到phpmyadmin首页上显示的MySQL 字符集为cp1252 West European (latin1),当我们导入数据时就会...

    unicode全部编码表

    Unicode编码表是计算机编程中用于表示字符集的一套标准,Unicode标准的目标是为每个字符提供一个唯一的代码,无论该字符是在何种语言或何种系统中使用。Unicode编码表涵盖了几乎所有书面语言的符号,包括各种标点...

    unicode与gbk双向转换编码表

    Unicode 是一个全球性的字符集,它试图为世界上所有语言的每一个字符分配一个唯一的数字,这个数字被称为码点。Unicode 的目标是统一各种编码系统,消除由于不同编码导致的兼容性问题。目前最广泛使用的 Unicode ...

    代码页.rar(CP936GBK/CP1251/CP1254/CP857代码页)

    在Windows操作系统中,CP1251是默认的非Unicode编码,它包含了基本的西里尔字母集以及一些特殊字符和符号,确保了这些语言在没有Unicode支持的环境中可以正常工作。 3. **CP1254**:这是针对拉丁字母表中使用的...

    VC中实现GB2312、BIG5、Unicode编码转换的方法

    在VC++编程环境中,处理不同编码格式之间的转换是常见的需求,特别是对于中文字符集,如GB2312(简体中文)、BIG5(繁体中文)和Unicode。本文将详细探讨如何在VC++中实现这三种编码的转换。 首先,我们来看文件...

    iconv字符集转换库

    该库支持大量的字符集,包括但不限于ISO-8859系列、Windows的CP系列、Unicode的UTF系列以及各种国家和地区的特定编码,如简体中文的GB2312、GBK和GB18030,繁体中文的Big5,日文的Shift-JIS等。 使用iconv库时,...

Global site tag (gtag.js) - Google Analytics