`
lhgyy00
  • 浏览: 144212 次
  • 性别: Icon_minigender_2
  • 来自: 北京
社区版块
存档分类
最新评论

字符编码笔记:ASCII,Unicode和UTF-8

阅读更多

字符编码笔记:ASCII,Unicode和UTF-8

 

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

正如上一节所说,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。

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

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。

bg2007102801.jpg

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。

分享到:
评论

相关推荐

    字符编码笔记:ASCII-Unicode和UTF-8

    字符编码笔记:ASCII、Unicode 和 UTF-8 本文主要介绍了字符编码的基本概念和历史发展过程,包括 ASCII 码、Unicode 和 UTF-8 的编码原理和特点。文章首先介绍了 ASCII 码的历史和编码原理,然后讨论了非 ASCII ...

    字符编码笔记:ASCII,Unicode和UTF-8[参照].pdf

    字符编码笔记:ASCII, Unicode 和 UTF-8 本篇笔记主要介绍了字符编码的基础知识,包括 ASCII 码、Unicode 和 UTF-8 等概念。文章首先介绍了 ASCII 码的历史和原理,接着讨论了 Unicode 的提出和发展,最后解释了 ...

    字符编码笔记 ASCII,Unicode和UTF-8

    5. UTF-8:为了解决上述问题,UTF-8(8-bit Unicode Transformation Format)成为了Unicode的一个广泛采用的实现方式。UTF-8的特性是它能自适应地编码Unicode字符,使用1到4个字节不等。ASCII字符仍然只需要1个字节...

    unicode-presentation:从 Unicode 历史到 UTF8UTF16UTF32 编码,然后从程序员的角度来看标准的波斯键盘布局

    "unicode-presentation" 这个标题指的是一个关于 Unicode 表示和编码的专题介绍,其中涵盖了 Unicode 的历史发展,以及常见的三种 Unicode 编码格式:UTF-8、UTF-16 和 UTF-32。此外,标题还提及了从程序员视角出发...

    python学习笔记ing

    - **UTF-8**是一种可变长度的编码方式,能够兼容ASCII并有效地编码Unicode字符。对于常见的英文字母,UTF-8使用一个字节;对于汉字等其他语言,则使用多个字节(通常是三字节)。 - **编码转换**: - Python 提供...

    在Windows中执行UTF-8

    UTF-8是一种广泛使用的Unicode字符编码方案,它可以表示Unicode字符集中的所有字符,包括各国语言和特殊符号。在Windows系统中,尽管默认的文本编码是UTF-16(LE,小端序),但随着网络和跨平台的需求增加,UTF-8的...

    博主这篇文章所用的资料:【STM32训练-项目1】第一篇、电脑的串口助手驱动SIM900A发送中文和英文短信

    对于发送中文短信,由于中文字符编码通常是UTF-8或GB2312,而SIM900A模块可能默认支持的是ASCII编码,因此需要进行字符编码转换,这里可能涉及到Unicode软件,以确保中文短信的正确发送。 串口助手是开发过程中常用...

    文字编码转换(非常好用)

    - Unicode(UTF)编码:统一的字符编码标准,包括UTF-8、UTF-16、UTF-32等变体,能表示世界上大部分语言的字符。 2. **为什么要进行文字编码转换** - 兼容性问题:不同系统或软件可能采用不同的默认编码,如...

    演示如何使用 ASCII 码表中的字符和对应的十进制值进行编码和解码

    对于多语言环境,Unicode编码如UTF-8更为常见,它可以表示世界上几乎所有的字符。 在学习和使用ASCII码时,了解其基本原理和在不同编程语言中的实现方式至关重要。例如,当我们处理网络请求或者读写文本文件时,...

    WAF攻防实战笔记v1.0--Bypass.pdf

    3. **另类Unicode编码**:由于字符转换过程中的特性,多个不同的Unicode编码可能在IIS层被解析为同一个字符,而WAF层不能识别所有编码形式。 4. **Apache畸形method**:通过构造异常的HTTP method请求,可能会绕过...

    javaweb期末复习笔记

    - **字符集**:ASCII、GB2312、Unicode。 - **数据类型**: - **基本数据类型**:整型、浮点型、字符型、布尔型。 - **引用数据类型**:类、接口、数组。 - **变量与常量**: - **变量**:存储数据的容器。 - **...

    PHP开发笔记系列(二)-字符串使用

    `rawurlencode()` 和 `rawurldecode()` 用于URL编码和解码,防止特殊字符引起的问题。 11. HTML实体转换 `htmlspecialchars()` 和 `html_entity_decode()` 用于在HTML上下文中安全地显示字符串,防止XSS攻击。 12....

    java基础达内培训笔记

    - UTF-8:可变长度的编码方案,广泛应用于互联网传输中。 - **字符处理**: - 大写字母'A'到'Z'的ASCII码值分别为65到90。 - 小写字母'a'到'z'的ASCII码值分别为97到122。 - 数字'0'到'9'的ASCII码值分别为48到...

    C#学习笔记

    - Unicode编码可以表示世界上几乎所有语言的文字,C#中的字符串默认使用Unicode编码。 - ASCII编码只支持英文字符,范围为0-127。 2. **数值类型** - `int`: 32位整型,取值范围为-2,147,483,648到2,147,483,647...

    python_笔记.pdf

    - Python文件中应明确声明编码方式,比如使用 `#coding=utf-8` 来支持UTF-8编码,确保文件中可以包含非ASCII字符。 - 当Python源代码中存在非ASCII字符但未声明编码时,会导致语法错误 `SyntaxError: Non-ASCII ...

Global site tag (gtag.js) - Google Analytics