西安百度网站排名优化,网站网页怎么做,天津做做网站,新网站注册简 单来说#xff0c;unicode#xff0c;gbk和大五码就是编码的值#xff0c;而utf-8,uft-16之类就是这个值的表现形式#xff0e;而前面那三种编码是一兼容的#xff0c;同一个汉字#xff0c; 那三个码值是完全不一样的#xff0e;如#xff02;汉#xff02;的unco… 简 单来说unicodegbk和大五码就是编码的值而utf-8,uft-16之类就是这个值的表现形式而前面那三种编码是一兼容的同一个汉字 那三个码值是完全不一样的如汉的uncode值与gbk就是不一样的假设uncode为a040gbk为b030而uft-8码就是把那个 值表现的形式utf-8码完全只针对uncode来组织的如果要转必须先转uncode码再转utf-8就了详细的就见下面转的这篇文章谈谈Unicode编码简要解释UCS、UTF、BMP、BOM等名词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、FEUnicode,FE、 FFUnicode big endian,EF、BB、BFUTF-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。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 endianbig 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*946768。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。从ASCII、GB2312到GBK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都属于双字节字符集 (DBCS)。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。从汉字字汇上说GB18030在GB13000.1 的20902个汉字的基础上增加了CJK扩展A的6582个汉字Unicode码0x3400-0x4db5一共收录了27484个汉字。CJK就是中日韩的意思。Unicode为了节省码位将中日韩三国语言中的文字统一编码。GB13000.1就是ISO/IEC 10646-1的中文版相当于Unicode 1.1。GB18030的编码采用单字节、双字节和4字节方 案。其中单字节、双字节和GBK是完全兼容的。4字节编码的码位就是收录了CJK扩展A的6582个汉字。例如UCS的0x3400在GB18030中 的编码应该是8139EF30UCS的0x3401在GB18030中的编码应该是8139EF31。微软提供了GB18030的升级包但这个升级包只是提供了一套支持CJK扩展A的6582个汉字的新字体新宋体-18030并不改变内码。Windows 的内码仍然是GBK。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。对于任何字符编码编码单元的顺序是由编码方案指定 的与endian无关。例如GBK的编码单元是字节用两个字节表示一个汉字。这两个字节的顺序是固定的不受CPU字节序的影响。UTF-16的编码 单元是word双字节word之间的顺序是编码方案指定的word内部的字节排列才会受到endian的影响。后面还会介绍UTF-16。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*12816384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 Transformation 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的内核已经支持Unicode字符集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GBKWindows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 pageCP54936。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、BMPUCS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2^1665536个码位UCS-4有2^312147483648个码位。UCS-4根据最高位为0的最高字节分成 2^7128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 0xxxxxxx0080 - 07FF 110xxxxx 10xxxxxx0800 - 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BOMUTF-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_idnrsiitem_idIWS-Chapter04a)Character set encoding basics Understanding character set encodings and legacy encodings (http://scripts.sil.org/cms/scripts/page.php?site_idnrsiitem_idIWS-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)。我是想清楚所有问题后才开始写这篇文章的原以为一会儿就能写好。没想到考虑措辞和查证细节花费了很长时间竟然从下午1:30写到9:00。希望有读者能从中受益。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”。这个区位输入法可以自动识别16进制的GB2312和10进制的区位码也就是说输入B0A1同样会得到“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在系统内部支持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。内码这个词汇并没有什么官方的定义代码页也只是微软这个公司的叫法。作为程序员我们只要知道它们是什么东西没有必要过多地考证这些名词。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CP936BIG5的code page是CP950GB2312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meta http-equivContent-Type contenttext/html; charsetISO8859-1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。 转载于:https://www.cnblogs.com/mmix2009/p/3216278.html
