记录转字符编码的有关事项,这篇稿子先说说字符编码的一对历史以及原理。

1、字符编码、内码,顺带介绍汉字编码 

1.ASCII编码与ANSI标准

1字节(1B) = 8比只有(8b) = 8独二进制位
1B的信息量 0b00000000 ~ 0b11111111 = 2^8 = 256个状态

标准ASCII编码运用1B的后7号,而首先各类默认置0,即:
0b00000000 ~ 0b01111111 = 2^7 = 128个状态
当下128独状态各存储了控制字符、数字、大小写字母和其它标志。详见ASCII编码表[]

慢慢地,128独状态不再会满足人们的需要,不同国度(语言区)都惦记管自己语言的字符编进ASCII编码中,于是人们纷纷自发的利用从了1B的另外128只状态,称为扩展ASCII编码,其应用1B的后7各类,同时率先各项默认置1,即:
0b10000000 ~ 0b11111111 = 2^7 = 128个状态
是因为是纯天然行为,每个国家(语言区)都指向扩大ASCII编码有协调特别的定义,因此彼此之间的扩张ASCII编码是勿克通用的。(标准ACII编码区仍然通用)

累还非只是于这,部分国家(语言区)的字符数量很多(如字就是十万级别的数),显然扩展ASCII编码的128只状态不克满足,于是发矣脚的等同栽编码方式(ANSI标准编码):

  1. 封存标准ASCII编码的128只字符不变换,称为半角
  2. 任何的字符用有限个字节来代表,这样理论上能新增256*256=65536单编码,称为全角
    顿时也是大家最早所体会的下面这词话的故

英文(半角)占一个字节,汉字(全角)占少数独字节

全角字符中用来编码的简单个字节被称高位字节不及字节
全角字符 = 高位字节 + 低位字节
高位字节和低字节都得选用三种植政策编码:

  1. 标准ASCII编码的128个状态
  2. 扩展ASCII编码的128个状态
  3. 如上都用之256只状态

不难发现当这有限单字节都使标准ASCII编码的128单状态时,计算机是无力回天辨认这是个别独半比赛字符,还是一个全角字符的。因此全角的编码区域实际只有:
256*256 – 128*128 = 49152个
对这5万独左右底编码区,不同国家(语言区)制定了不同之编码标准,我们熟悉的出:

  • GB2312,大陆1980年专业(其中一级汉字3755个,二级汉字3008个,包括拉丁字母、希腊字母、日文平假名及片假名字母、俄报西里尔字母在内的全角字符682独。)
  • GBK,大陆1995年专业(GB2312的扩充,增加不常用汉字与字符,总编码量扩展及23940)
  • BIG-5,台湾规范

  • Unicode编码


趁着互联网的开拓进取,信息交流变得更为频繁,这便促使一栽“大一统”的编码方式出现。这种编码可以将世界上具有的字符都编入其中,且每个状态各和字符都唯一对应。正而它的讳代表的意那样,Unicode编码做到了。
Unicode将编码存储立马有限只逻辑过程独立开来。

  • 世界上之每一个字符都起还仅发生一个Unicode编码方案即:字符S->Unicode(S)
  • 各级一个Unicode码都得以透过之有余方案来储存,这些方案的号即使凡是我们经常听到的UTF-8、UTF-16、UTF-32等等。

字符必须编码后才能够给电脑处理。计算机以的缺省编码方式就是计算机的内码。早期的电脑以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和用来繁体中文的big5。 

2.1 编码逻辑

下先说一下Unicode的编码方式:
Unicode码的编码范围:0x000000 ~ 0x10FFFF
她的继四各叫一个plane:0x0000 ~ 0xFFFF = 2^16 = 65536个状态
眼前片员代表plane的编号,一共发生:0x00 ~ 0x10 = 17个plane
故Unicode编码一共有:17 * 65536 = 1114112个状态
眼看好将世界上有所的字符都编码进去,而且还有特别十分之富余。同时转忘了,预留的空白plane可远多让17个(16*16=256个)
实际上,在Unicode
5.0本子中才所以到了0,1,2,14,15,16立马几个号plane中的238605单状态

GB2312(1980年)一共用了7445个字符,包括6763个字和682单其他符号。汉字区之内码范围高字节从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。 

2.2 存储逻辑

Unicode编码总算是以世界的字符都“装”下了,当然为达成这目的,经过Unicode编码后的字符所占空间变的雅十分。本来就占一个字节的常备ASCII字符和占少数只字节的ANSI字符统统都改为了占三独字节的Unicode字符,造成了半空中的翻天覆地浪费。因此Unicode编码的编码方式囤方分开独立实现,存储传输方案专注让实现Unicode编码如何节约存储空间。
广泛的储存传输方案有:UTF-8,UTF-16,UTF-32等

GB2312支持之字太少。1995年的汉字扩展规范GBK1.0选用了21886个号,它分为汉字区及图形符号区。汉字区连21003单字符。2000年的GB18030是顶替GBK1.0的正规化国家标准。该标准收录了27484独字,同时还用了藏文、蒙文、维吾尔文等重要的少数民族文字。现在之PC平台要支持GB18030,对嵌入式产品少未作要求。所以手机、MP3形似只有支持GB2312。 

UTF-8方案

UTF-8最特别之一个表征,就是其是平等种植变长的囤方。它好用1~4单字节存储一个Unicode码,根据不同之Unicode码而别存储字节的尺寸。
UTF-8的蕴藏规则不行粗略,只发生第二修:

  1. 于小于0x7F的Unicode码,UTF-8编码只出一个字节,字节的首先位如为0,后面7号吗Unicode码。这也是为英语字母之UTF-8编码和一般性ASCII码是一致的。
  2. 对此其余Unicode码,落入下表的照应的限量受到。其中x代表空白位,用Unicode码补充。
Unicode符号范围(十六进制) UTF-8存储方式(二进制)
000000 ~ 00007F 0xxxxxxx
000080 ~ 0007FF 110xxxxx 10xxxxxx
000800 ~ 00FFFF 1110xxxx 10xxxxxx 10xxxxxx
010000 ~ 10FFFF 11110xxx 10xxxxxx 10xxxxxx 10xxxxxx

自打ASCII、GB2312、GBK到GB18030,这些编码方法是向下兼容的,即与一个字符在这些方案受到接二连三发生相同的编码,后面的科班支持再次多之字符。在这些编码中,英文和中文好统一地处理。区分中文编码的主意是高字节的参天位不为0。按照程序员的叫,GB2312、GBK到GB18030都属于双字节字符集
(DBCS)。 

UTF-16方案

UTF-16方案也是一模一样种植变长存储方,它使用简单只字节或四只字节来存储Unicode码。
当Unicode码位于编号吧00的plane(即0x000000 ~
0x00FFFF之间)时,Unicode码正好对应了有限独字节(16员二进制)的尺寸。即使用鲜个字节顺序存储。
当Unicode码位于其他编号的plane(即0x010000 ~
0x10FFFF)时,Unicode码减去0x10000晚正对承诺改为20各二进制,依次填入以下四单字节的20只空位被:
110110xx xxxxxxxx 110111xx xxxxxxxx
眼前少独字节称为高位WORD,以110110方始;后少单字节称为小WORD,以110111初始。

有些中文Windows的缺省内码还是GBK,可以透过GB18030升级包升级到GB18030。不过GB18030相对GBK增加的字符,普通人是不行麻烦用到的,通常咱们要用GBK指代中文Windows内码。 

UTF-32方案

UTF-32方案是同等栽定长存储方案,它连接采取4个字节存储Unicode码,由于Unicode码只生24位,于是UTF-32方案免针对Unicode码做任何变更直接存储。
有人会咨询,用3个字节不也是足以完全存储Unicode的拥有编码为?我个人的掌握是,由于Unicode的前身:通用字符集(Universal
Character Set,
UCS)分为了2字节编码的UCS-2和4字节编码的UCS-4。为了使编码方案统一,UCS-4承诺不再向0x10FFFF之后编码,并由UCS-2作为编号为0的plane(Basic
Multilingual Plane, BMP)共同组成Unicode编码。3者之间的涉及吗:
UCS-4编码中0x00000000 ~ 0x0010FFFF的有组成了Unicode编码
Unicode编码中0x000000 ~ 0x00FFFF的局部构成了UCS-2编码
从而UTF-16作为UCS-2编码的存储方案,UTF-32作为UCS-4编码的蕴藏方案以4个字节,还是仍然保留在。

这里还有有细节: 

至于字节序(Byte Order Mark, BOM)

在UTF-16和UTF-32中留存在Little endian (LE)和Big endian
(BE)两栽传输字节约流的点子(显然非常蛋疼)
以为机器识别出当下有限种传输方式,在Unicode编码规范着设定了一个称作”ZERO
WIDTH NO-BREAK
SPACE”的状态位0x00FEFF,它怪应另实际意义的字符,且连续出现在文件之开头,用于标志该公文是下什么措施读取字节流的(LE
or BE)。按照上文三栽存储方案的规则:

编码方案 BOM(十六进制)
UTF-8 EF BB BF
UTF-16LE FF FE
UTF-16BE FE FF
UTF-32LE FF FE 00 00
UTF-32BE 00 00 FE FF

看得出由于UTF-8不存LE或BE的别,因此其的BOM只发平等栽,可有可无。所以当UTF-8的方案下,有UTF-8
BOM和UTF-8 无BOM两种植,而她的区别就是文件开始有无发生EF BB BF
这三个字节罢了

GB2312的原稿还是区位码,从区位码到内码,需要在高字节和低字节上各自长A0。 

每当DBCS中,GB内码的储存格式始终是big endian,即高位以前面。 

GB2312的鲜个字节的嵩位还是1。但符合这个条件的码位只发128*128=16384单。所以GBK和GB18030的低字节最高位都可能未是1。不过当下不影响DBCS字符流的解析:在读取DBCS字符流时,只要遇到高位为1底字节,就得用生零星只字节作为一个双字节编码,而未用无小字节的要职是呀。 

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只跟ASCII兼容(更标准地游说,是暨ISO-8859-1匹配),与GB码不匹配。例如“汉”字的Unicode编码是6C49,而GB码是BABA。 

Unicode也是同一种字符编码方法,不过其是由国际集团设计,可以包容全世界有语言文字的编码方案。Unicode的学名是”Universal
Multiple-Octet Coded Character Set”,简称也UCS。UCS可以当作是”Unicode
Character Set”的缩写。 

冲维基百科的记叙:历史及设有个别只待独立设计Unicode的团伙,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。 

以1991年内外,双方还认识及世界不需简单只非匹配的字符集。于是它开始联合双方的办事战果,并也开创一个单一编码表而协同工作。从Unicode2.0初步,Unicode项目以了同ISO
10646-1均等之字库和字码。 

时零星单种类仍还是,并独自地披露各自的正经。Unicode协会今天之新星版本是2005年底Unicode
4.1.0。ISO的新式正规是10646-3:2003。 

UCS规定了怎么用几近个字节表示各种文字。怎样传输这些编码,是出于UTF(UCS
Transformation
Format)规范规定之,常见的UTF规范包括UTF-8、UTF-7、UTF-16。 

IETF的RFC2781暨RFC3629以RFC的定点风格,清晰、明快又非错过谨慎地描述了UTF-16和UTF-8的编码方法。我一连记不得IETF是Internet
Engineering Task
Force的缩写。但IETF负责掩护的RFC是Internet上所有规范的根底。 

1. ASCII码 

咱俩明白,在微机中,所有的音讯最终都意味为一个二进制的字符串。每一个二进制位(bit)有0和1简单种植状态,因此八独二进制位就好整合出256栽状态,这给号称一个字节(byte)。也就是说,一个字节一共可以据此来代表256种不同的状态,每一个状态对应一个记,就是256个号,从0000000到11111111。 

上个世纪60年代,美国制订了同等套字符编码,对英语字符与二进制位之间的关系,做了联规定。这为称为ASCII码,一直沿用至今。 

ASCII码一共规定了128只字符的编码,比如空格“SPACE”是32(二前行制00100000),大写的字母A是65(二前进制01000001)。这128独记(包括32独无克打印出来的操纵符号),只占了一个字节的末端7各类,最前面的1位统一规定为0。 

2、非ASCII编码 

英语用128独记编码就足足了,但是用来代表其余语言,128单记号是不够的。比如,在法语中,字母上方有注音符号,它就是无法用ASCII码表示。于是,一些欧洲国虽决定,利用字节中不了了之的危位编入新的符。比如,法语中的é的编码为130(二进制10000010)。这样一来,这些欧洲国家采用的编码体系,可以表示极度多256只标志。 

然而,这里以起了初的题目。不同之国来例外的字母,因此,哪怕它都动256只标志的编码方式,代表的字母却非一样。比如,130当法语编码中象征了é,在希伯来语编码中也表示了配母Gimel
(ג),在俄语编码中以见面意味着任何一个符号。但是无论如何,所有这些编码方式中,0—127象征的记号是平等的,不雷同的特是128—255底当下同段落。 

关于亚洲国度的仿,使用的号就再也多矣,汉字就是大多上10万横。一个字节只能表示256种标志,肯定是不够的,就非得采用多独字节表达一个记。比如,简体中文常见的编码方式是GB2312,使用有限单字节表示一个字,所以理论及无比多可表示256×256=65536独号。 

汉语编码的题材待专文讨论,这首笔记不涉。这里只有指出,虽然都是因此多单字节表示一个记,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的学名是 “Universal   Multiple-Octet   Coded   Character   Set
“,简称也UCS。 现在就此之凡UCS-2,即2单字节编码,而UCS-4是以防范将来2只字节不足够用才出的。UCS-2也称之为基本多文种平面。
UCS-2转换到UCS-4只是略的于前面加2个字节0。
UCS-4则着重用以保存辅助平面

刚而达到平等节所说,世界上在在冒尖编码方式,同一个二进制数字可以给分解成不同之符号。因此,要惦记打开一个文书文件,就得懂得它们的编码方式,否则用错误的编码方式解读,就见面产出乱码。为什么电子邮件时出现乱码?就是坐发信人和收信人使用的编码方式不均等。 

好想象,如果生一致种植编码,将世界上装有的标志都纳入其中。每一个符号都给以一个旷世之编码,那么乱码问题虽会见消亡。这虽是Unicode,就像其的名字还意味的,这是平种具有符号的编码。 

Unicode当然是一个十分死的聚众,Unicode
默认就是 Little Endian 模式
,现在底范围得以容纳100大抵万只标志。每个符号的编码还无一样,比如,U+0639意味着阿拉伯字母Ain,U+0041意味着英语的不得了写字母A,U+4E25表示汉字“严”。具体的符对应表,可以查询unicode.org,或者特别的字对应表。 

4. Unicode的问题 

欲留意的是,Unicode只是一个标记集,它才规定了号的老二上前制代码,却并未规定者二进制代码应该什么存储。 

遵循,汉字“严”的unicode是十六迈入制数4E25,转换成二前行制数足足有15各项(100111000100101),也就是说这个符号的代表至少需要2个字节。表示其余更可怜的标志,可能要3只字节或者4只字节,甚至又多。 

此虽时有发生些许个沉痛的题材,第一单问题是,如何才会分unicode和ascii?计算机怎么懂得老三独字节表示一个标志,而无是独家代表三单记号为?第二单问题是,我们都了解,英文字母只所以一个字节表示即够用了,如果unicode统一确定,每个符号用三单或四单字节表示,那么每个英文字母前都定发生次顶三独字节是0,这对于仓储来说是高大的荒废,文本文件的分寸会因此大出二三倍增,这是无能为力承受之。 

它们造成的结果是:1)出现了unicode的多种囤方,也就是说有许多种不同的亚上前制格式,可以为此来代表unicode。2)unicode在异常丰富一段时间内无法放开,直到互联网的起。 

5.UTF-8 

互联网的推广,强烈要求出现同等种植统一的编码方式。UTF-8就是于互联网及应用最常见的相同栽unicode的贯彻方式。其他实现方式尚连UTF-16和UTF-32,不过当互联网上基本不用。再度相同举,这里的涉及是,UTF-8凡Unicode的落实方式有。 

UTF-8最特别之一个特色,就是其是平等种变长的编码方式。它可采取1~4单字节表示一个符号,根据不同之符号而变化字节长度。 

UTF-8的编码规则不行简单,只出第二长长的: 

1)对于单字节的记,字节的首先位而为0,后面7位也是符号的unicode码。因此对于英语字母,UTF-8编码和ASCII码是一律之。 

2)对于n字节的标志(n>1),第一只字节的前头n位都要为1,第n+1位设为0,后面字节的前方片号一律要为10。剩下的尚未提及的二进制位,全部也夫标记的unicode码。 

下表总结了编码规则,字母x表示可用编码的各项。 

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,还是为汉字“严”为例,演示如何落实UTF-8编码。 

早就清楚“严”的unicode是4E25(100111000100101),根据上表,可以发现4E25介乎第三实行之界定外(0000
0800-0000 FFFF),因此“严”的UTF-8编码需要三单字节,即格式是“1110xxxx
10xxxxxx
10xxxxxx”。然后,从“严”的结尾一个二进制位开始,依次从晚迈入填入格式中的x,多发生的个补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同UTF-8之间的转换 

透过上一样省之例子,可以见到“严”的Unicode码是4E25,UTF-8编码是E4B8A5,两者是免同等的。它们中间的更换可以经程序实现。 

每当Windows平台下,有一个太简便易行的转折方法,就是使内置的记事本小程序Notepad.exe。打开文件后,点击“文件”菜单中之“另存也”命令,会跳出一个会话框,在最为底部有一个“编码”的下拉条。 

365bet体育投注 1

内来四只挑选: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,即直接用少独字节存入字符的Unicode码。这个选项用之little
endian格式。 

3)Unicode big endian编码与齐一个摘相对应。我于产一样节会说little
endian和big endian的涵义。 

4)UTF-8编码,也就是达到同节约谈到之编码方法。 

选了”编码方式“后,点击”保存“按钮,文件的编码方式就应声转换好了。 

7. Little endian和Big endian 

上一节一度涉及,Unicode码可以以UCS-2格式直接存储。以汉字”严“为例,Unicode码是4E25,需要用单薄独字节存储,一个字节是4E,另一个字节是25。存储的当儿,4E在前方,25在后,就是Big
endian方式;25于眼前,4E以晚,就是Little endian方式。 

当下半个奇特的称呼来英国女作家斯威夫就的《格列佛游记》。在该书中,小人国里爆发了内战,战争起因是人人争论,吃鸡蛋时到底是自大洋(Big-Endian)敲起还是由小头(Little-Endian)敲起。为了这桩事情,前后爆发了六糟战,一个至尊送了命令,另一个皇帝丢了王位。 

据此,第一个字节在面前,就是”大头方式“(Big
endian),第二单字节在前面即是”小头方式“(Little endian)。 

这就是说大自然之,就见面并发一个题材:计算机怎么掌握某一个文书到底下哪一样栽艺术编码? 

Unicode规范着定义,每一个文本之不过前方分别投入一个意味着编码顺序的字符,这个字符的名叫”零幅非换行空格“(ZERO
WIDTH NO-BREAK SPACE),用FEFF表示。这恰是片独字节,而且FF比FE大1。 

如果一个文件文件的腔片只字节是FE
FF,就象征该文件采用大头方式;如果头片个字节是FF
FE,就意味着该文件采用小头方式。 

8、UCS-2、UCS-4、BMP 

UCS有半点种格式:UCS-2和UCS-4。顾名思义,UCS-2就是因此半单字节编码,UCS-4就是故4只字节(实际上只有所以了31各,最高位必须也0)编码。下面被我们举行有简单的数学游戏: 

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只group。每个group再依据次高字节分为256独plane。每个plane根据第3个字节分为256行
(rows),每行包含256单cells。当然跟一行的cells只是最后一个字节不同,其余都如出一辙。 

group 0的plane 0被称作Basic Multilingual Plane,
即BMP。或者说UCS-4中,高点儿只字节为0的码位被称作BMP。 

将UCS-4的BMP去丢前面的个别单零字节就收获了UCS-2。在UCS-2的鲜独字节前增长两独零字节,就取了UCS-4的BMP。而目前底UCS-4规范着还未曾另外字符被分配在BMP之外。 

9、UTF的配节序和BOM 

UTF-8以字节为编码单元,没有字节序的题材。UTF-16为少单字节为编码单元,在说明一个UTF-16中和以前,首先要动手明白每个编码单元的配节序。例如收到一个“奎”的Unicode编码是594E,“乙”的Unicode编码是4E59。如果我们收到UTF-16许节流“594E”,那么就是“奎”还是“乙”? 

Unicode规范中援引的符号字节顺序的法门是BOM。BOM不是“Bill Of
Material”的BOM表,而是Byte Order Mark。BOM是一个闹硌多少智慧的想法: 

在UCS编码中来一个称”ZERO WIDTH NO-BREAK
SPACE”的字符,它的编码是FEFF。而FFFE在UCS中凡是休存的字符,所以无应出现于事实上传输中。UCS规范建议我们在传字节约流前,先污染输字符”ZERO
WIDTH NO-BREAK SPACE”。 

如此这般一旦接收者收到FEFF,就标明这字节流是Big-Endian的;如果接收FFFE,就表明是字节流是Little-Endian的。因此字符”ZERO
WIDTH NO-BREAK SPACE”又被喻为BOM。 

UTF-8不需BOM来表明字节顺序,但可为此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)。所以若接收者收到以EF
BB BF开头的字节流,就清楚这是UTF-8编码了。 

Windows就是采取BOM来号文本文件之编码方式的。 

10. 实例 

下,举一个实例。 

开辟”记事本“程序Notepad.exe,新建一个文书文件,内容即是一个”严“字,依次以ANSI,Unicode,Unicode
big endian 和 UTF-8编码方式保存。 

接下来,用文本编辑软件UltraEdit中的”十六进制功能“,观察该公文之其中编码方式。 

1)ANSI:文件之编码就是个别独字节“D1
CF”,这正是“严”的GB2312编码,这也暗示GB2312是利用大头方式囤的。 

2)Unicode:编码是四单字节“FF FE 25 4E”,其中“FF
FE”表明是小头方式囤,真正的编码是4E25。 

3)Unicode big endian:编码是四单字节“FE FF 4E 25”,其中“FE
FF”表明是元宝方式囤。 

4)UTF-8:编码是六只字节“EF BB BF E4 B8 A5”,前三独字节“EF BB
BF”表示这是UTF-8编码,后三个“E4B8A5”就是“严”的切切实实编码,它的仓储顺序及编码顺序是同样的。 

9. 拉开阅读 

* 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) 

* 谈谈Unicode编码 

* RFC3629:UTF-8, a
transformation format of ISO
10646(如果实现UTF-8的规定) 

来源:http://www.ruanyifeng.com/blog/2007/10/ascii_unicode_and_utf-8.html 

正文主要参考的材料是 “Short overview of ISO-IEC 10646 and Unicode”
(http://www.nada.kth.se/i18n/ucs/unicode-iso10646-oview.html)。 

本人还摸索了点儿首看上去是的素材,不过盖自开始的疑问都找到了答案,所以便没有看: 

“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) 

字符编码:Unicode/UTF-8/UTF-16/UCS/Endian/BMP/BOM

Unicode(Universal Multiple-Octet Coded Character
Set):目前极端流行和无限有前景的字符编码规范,因为其解决了不同语言编码的撞。 

Uicode由来: 

初期的字符编码ascii(8bit,最高位为0)只能表示128个字符,表示英文、数字和片标志是未曾问题。但是世界相连一种语言,即用上了最高为1的恢宏ascii码,也惟有发生256单字符。 

本着中日韩文、阿拉伯文之类复杂的字,就无法运用了。 

遂,各国都制订了温馨之兼容ascii编码规范,就是各种ANSI码,比如我国的gb2312,用少只扩大ascii字符来代表一个华语。但是这些ansi码无法同时在,因为其的概念互相重叠,要自由使用不同语言就是不能不出一个新编码,为各种文字统一分配编码。 

ISO(国际标准化组织)和Uicode协会(一个软件制造商的协会)分别开始了之工作。即ISO的ISO
10646项目以及Unicode协会的Unicode项目。后来它开始集合了双边的做事战果,采用同一的字库和字码。但时点滴个档次都是并单独地发表自己的规范。 

UCS(Unicode Character Set): 

就是Uicode在ISO的名称,目有一定量法编码方法,UCS-2(Unicode)用2独字节表示一个字符,UCS-4(Unicode-32)用4单字节表示一个字符。UCS-4是出于USC-2扩展来之,增加了2字节之上位。即使是老UCS-2,它为可以表示2^16=65535个字符,基本上可以容纳有常用各国字符,所以时基本还下UCS-2。 

UTF(UCS Transformation Format): 

Unicode以2只字节表示一个字符,ascii使用1个字节,所以于群方面发了冲突,以前处理ascii的章程都须重写。而且C语言用\0作为字符串结束标志,但Unicode中过多字符都包含\0,C语言的字符串函数也无力回天正常处理Unicode。为了把unicode投入实用,出现了UTF,最广大的凡UTF-8和UTF-16。 

里面UTF-16和Unicode本身的编码是均等的,UTF-32和UCS-4也是相同的。最根本之是UTF-8,可以完全兼容ascii编码
。UTF是同样种变长的编码,它的字节数是未固定的,使用第一独字节确定字节数。第一个字节首为0即一个字节,110即2字节,1110即3字节,字符后续字节都因此10开,这样不见面混淆且单字节英文字符可遵循用ASCII编码。理论及UTF-8最要命可以用6字节表示一个字符,但Unicode目前尚未用大于0xffff的字符,实际UTF-8最多利用了3独字节。 

unicode转化为UTF-8的方法 

Unicode码范围 UTF-8编码(把Unicode码转为二进制填充x处)
0000-007F 0xxxxxxx
0080-07FF 110xxxxx 10xxxxxx
0800-FFFF 1110xxxx 10xxxxxx 10xxxxxx 

字之Unicode编码范围是0080-07FF,因此是2字节编码。 

Big Endian(大字节序)和Little Endian(小字节序): 

Unicode存储时发个字节序问题,就是一个多字节数字,是由深至有些排列还是恰恰相反。这与CPU处理有关,一般x86处理常还是倒置的,即大数在前。就如“莫”字之Unicode码0x83ab,按Big
Endian就改成了0xab83。 

BOM(Byte Order Mark): 

为Unicode存储时许节序的问题,在Unicode文本前安插一个休有的字符(ZERO
WIDTH NO-BREAK SPACE)作为标志来甄别两栽字节序。标志0xfeff说明按Big
Endian字节序,而0xfffe说明Little-Endian。 

UTF-8不需BOM来说明字节序,但得为此BOM标志编码方式。遇到带0xefbbbf开头的公文,计算机就可无需要分辨直接以UTF-8编码处理。 

BMP(Basic Multilingual Plane): 

当时是Unicode实际和字符对应之撤并方式受之概念。 

按UCS-4为例子 

首字节首个恒为0,剩下7个可以分开2^7=128独group(组)。 

老二个字节,每个group下面可以有2^8=256单plane(平面)。 

其三只字节,可以给每个palne带来256独row(行)。 

季单字节,这里的8员又有何不可每row可以分256只cell(格子)。 

group 0中之plane
0就是BMP,即前少独字节为0×0000之UCS-4码。去掉0×0000底BMP上之UCS-4就改成了UCS-2编码。或者说UCS-2是USC-4的子集,BMP就是UCS-2在USC-4中之职位。我们打此间还足以赢得USC-2转为UCS-4的艺术,再UCS-2前面插入2单字节0×0000。 

来源:http://blog.csdn.net/zzcv_/archive/2007/06/03/1636085.aspx 

相关文章

网站地图xml地图