談談Unicode編碼 - 十年磨一劍

文章推薦指數: 80 %
投票人數:10人

我很早前就發現Unicode、Unicode big endian和UTF-8編碼的txt文件的開頭會多出幾個字元,分別是FF、FE(Unicode),FE、FF(Unicode big endian) ... 十年磨一劍 跳到主文 邁向中鳥階段-EmbeddedArmLinux嵌入式系統開發與學習,歡迎各位同好的交流。

部落格全站分類:數位生活 相簿 部落格 留言 名片 May13Wed200917:20 談談Unicode編碼 會放這篇文章上來,主要也是因為最近作研究時有用到Unicode,需要它的編碼表,偶然間看到這篇文章覺得還不錯,雖然是舊文了,但裡面的一些知識,還是能讓人對於字元編碼有更多的了解。

--簡要解釋UCS、UTF、BMP、BOM等名詞  作者:fmddlmyy  這是一篇程序員寫給程序員的趣味讀物。

所謂趣味是指可以比較輕鬆地瞭解一些原來不清楚的概念,增進知識,類似於打RPG遊戲的昇級。

整理這篇文章的動機是兩個問題:問題一:  使用Windows記事本的「另存為」,可以在GBK、Unicode、Unicodebigendian和UTF-8這幾種編碼方式間相互轉換。

同樣是txt文件,Windows是怎樣識別編碼方式的呢?  我很早前就發現Unicode、Unicodebigendian和UTF-8編碼的txt文件的開頭會多出幾個字元,分別是FF、FE(Unicode),FE、FF(Unicodebigendian),EF、BB、BF(UTF-8)。

但這些標記是關於什麼標準呢?問題二:  最近在網上看到一個ConvertUTF.c,實現了UTF-32、UTF-16和UTF-8這三種編碼方式的相互轉換。

對於Unicode(UCS2)、GBK、UTF-8這些編碼方式,我原來就瞭解。

但這個程序讓我有些糊塗,想不起來UTF-16和UCS2有什麼關係。

  查了查相關資料,總算將這些問題弄清楚了,順帶也瞭解了一些Unicode的細節。

作者寫成一篇文章,送給有過類似疑問的朋友。

本文在寫作時盡量做到通俗易懂,但要求讀者知道什麼是字元,什麼是十六進制。

0、bigendian和littleendian  bigendian和littleendian是CPU處理多字元數的不同方式。

例如「漢」字的Unicode編碼是6C49。

那麼寫到文件裡時,究竟是將6C寫在前面,還是將49寫在前面?如果將6C寫在前面,就是bigendian。

如果將49寫在前面,就是littleendian。

  「endian」這個詞出自《格列佛遊記》。

小人國的內戰就源於吃雞蛋時是究竟從大頭(Big-Endian)敲開還是從小頭(Little-Endian)敲開,由此曾發生過六次叛亂,一個皇帝送了命,另一個丟了王位。

  我們一般將endian翻譯成「字元序」,將bigendian和littleendian稱作「大尾」和「小尾」。

1、字串編碼、內碼,順帶介紹漢字編碼  字串必須編碼後才能被電腦處理。

電腦使用的預設編碼方式就是電腦的內碼。

早期的電腦使用7位的ASCII編碼,為了處理漢字,程序員設計了用於簡體中文的GB2312和用於繁體中文的big5。

  GB2312(1980年)一共收錄了744灌水限制符,包括6763個漢字和682個其它符號。

漢字區的內碼範圍高字元從B0-F7,低字元從A1-FE,佔用的碼位是72*94=6768。

其中有5個空位是D7FA-D7FE。

  GB2312支持的漢字太少。

1995年的漢字增強規範GBK1.0收錄了21886個符號,它分為漢字區和圖形符號區。

漢字區包括21003個字串。

2000年的GB18030是取代GBK1.0的正式國家標準。

該標準收錄了27484個漢字,同時還收錄了藏文、蒙文、維吾爾文等主要的少數民族文字。

現在的PC平台必須支持GB18030,對嵌入式產品暫不作要求。

所以手機、MP3一般只支持GB2312。

  從ASCII、GB2312、GBK到GB18030,這些編碼方法是向下相容的,即同一個字串在這些方案中總是有相同的編碼,後面的標準支持更多的字串。

在這些編碼中,英文和中文可以統一地處理。

區分中文編碼的方法是高字元的最高位不為0。

按照程序員的稱呼,GB2312、GBK到GB18030都屬於雙字元字串集(DBCS)。

  有的中文Windows的預設內碼還是GBK,可以通過GB18030昇級包昇級到GB18030。

不過GB18030相對GBK增加的字串,普通人是很難用到的,通常我們還是用GBK指代中文Windows內碼。

這裡還有一些細節: 1GB2312的原文還是區位碼,從區位碼到內碼,需要在高字元和低字元上分別加上A0。

2在DBCS中,GB內碼的儲存於格式始終是bigendian,即高位在前。

3GB2312的兩個字元的最高位都是1。

但符合這個條件的碼位只有128*128=16384個。

所以GBK和GB18030的低字元最高位都可能不是1。

不過這不影響DBCS字串流的解析:在讀取DBCS字串流時,只要遇到高位為1的字元,就可以將下兩個字元作為一個雙字元編碼,而不用管低字元的高位是什麼。

2、Unicode、UCS和UTF  前面提到從ASCII、GB2312、GBK到GB18030的編碼方法是向下相容的。

而Unicode只與ASCII相容(更準確地說,是與ISO-8859-1相容),與GB碼不相容。

例如「漢」字的Unicode編碼是6C49,而GB碼是BABA。

  Unicode也是一種字串編碼方法,不過它是由國際組織設計,可以容納全世界所有語言文字的編碼方案。

Unicode的學名是"UniversalMultiple-OctetCodedCharacterSet",簡稱為UCS。

UCS可以看作是"UnicodeCharacterSet"的縮寫。

  根據維基百科全書(http://zh.wikipedia.org/wiki/)的記載:歷史上存在兩個試圖獨立設計Unicode的組織,即國際標準化組織(ISO)和一個軟體製造商的協會(unicode.org)。

ISO開發了ISO10646項目,Unicode協會開發了Unicode項目。

  在1991年前後,雙方都認識到世界不需要兩個不相容的字串集。

於是它們開始合併雙方的工作成果,並為創立一個單一編碼表而協同工作。

從Unicode2.0開始,Unicode項目採用了與ISO10646-1相同的字庫和字碼。

  目前兩個項目仍都存在,並獨立地公佈各自的標準。

Unicode協會現在的最新版本是2005年的Unicode4.1.0。

ISO的最新標準是ISO10646-3:2003。

  UCS只是規定如何編碼,並沒有規定如何傳輸、儲存這個編碼。

例如「漢」字的UCS編碼是6C49,我可以用4個ascii數位來傳輸、儲存這個編碼;也可以用utf-8編碼:3個連續的字元E6B189來表示它。

關鍵在於通信雙方都要認可。

UTF-8、UTF-7、UTF-16都是被廣泛接受的方案。

UTF-8的一個特別的好處是它與ISO-8859-1完全相容。

UTF是「UCSTransformationFormat」的縮寫。

  IETF的RFC2781和RFC3629以RFC的一貫風格,清晰、明快又不失嚴謹地描述了UTF-16和UTF-8的編碼方法。

我總是記不得IETF是InternetEngineeringTaskForce的縮寫。

但IETF負責維護的RFC是Internet上一切規範的基礎。

2.1、內碼和codepage  目前Windows的內核已經採用Unicode編碼,這樣在內核上可以支持全世界所有的語言文字。

但是由於現有的大量程序和文件都採用了某種特定語言的編碼,例如GBK,Windows不可能不支持現有的編碼,而全部改用Unicode。

  Windows使用程式碼頁(codepage)來適應各個國家和地區。

codepage可以被理解為前面提到的內碼。

GBK對應的codepage是CP936。

  微軟也為GB18030定義了codepage:CP54936。

但是由於GB18030有一部分4字元編碼,而Windows的程式碼頁只支持單字元和雙字元編碼,所以這個codepage是無法真正使用的。

3、UCS-2、UCS-4、BMP  UCS有兩種格式:UCS-2和UCS-4。

顧名思義,UCS-2就是用兩個字元編碼,UCS-4就是用4個字元(實際上只用了31位,最高位必須為0)編碼。

下面讓我們做一些簡單的數學遊戲:  UCS-2有2^16=65536個碼位,UCS-4有2^31=2147483648個碼位。

  UCS-4根據最高位為0的最高字元分成2^7=128個group。

每個group再根據次高字元分為256個plane。

每個plane根據第3個字元分為256行(rows),每行包含256個cells。

當然同一行的cells只是最後一個字元不同,其餘都相同。

  group0的plane0被稱作BasicMultilingualPlane,即BMP。

或者說UCS-4中,高兩個字元為0的碼位被稱作BMP。

  將UCS-4的BMP去掉前面的兩個零字元就得到了UCS-2。

在UCS-2的兩個字元前加上兩個零字元,就得到了UCS-4的BMP。

而目前的UCS-4規範中還沒有任何字串被分配在BMP之外。

4、UTF編碼  UTF-8就是以8位為單元對UCS進行編碼。

從UCS-2到UTF-8的編碼方式如下:     UCS-2編碼(16進制)      UTF-8字元流(二進制)     0000-007F         0xxxxxxx     0080-07FF         110xxxxx10xxxxxx     0800-FFFF         1110xxxx10xxxxxx10xxxxxx  例如「漢」字的Unicode編碼是6C49。

6C49在0800-FFFF之間,所以肯定要用3字元範本了:1110xxxx10xxxxxx10xxxxxx。

將6C49寫成二進制是:0110110001001001,用這個比特流依次替代範本中的x,得到:111001101011000110001001,即E6B189。

  讀者可以用記事本測試一下我們的編碼是否正確。

需要注意,UltraEdit在開啟utf-8編碼的文本文件時會自動轉換為UTF-16,可能產生混淆。

你可以在設定中關掉這個選項。

更好的工具是HexWorkshop。

  UTF-16以16位為單元對UCS進行編碼。

對於小於0x10000的UCS碼,UTF-16編碼就等於UCS碼對應的16位無符號整數。

對於不小於0x10000的UCS碼,定義了一個算法。

不過由於實際使用的UCS2,或者UCS4的BMP必然小於0x10000,所以就目前而言,可以認為UTF-16和UCS-2基本相同。

但UCS-2只是一個編碼方案,UTF-16卻要用於實際的傳輸,所以就不得不考慮字元序的問題。

5、UTF的字元序和BOM  UTF-8以字元為編碼單元,沒有字元序的問題。

UTF-16以兩個字元為編碼單元,在解釋一個UTF-16文本前,首先要弄清楚每個編碼單元的字元序。

例如「奎」的Unicode編碼是594E,「乙」的Unicode編碼是4E59。

如果我們收到UTF-16字元流「594E」,那麼這是「奎」還是「乙」?  Unicode規範中推薦的標記字元順序的方法是BOM。

BOM不是「BillOfMaterial」的BOM表,而是ByteOrderMark。

BOM是一個有點小聰明的想法:  在UCS編碼中有一個叫做"ZEROWIDTHNO-BREAKSPACE"的字串,它的編碼是FEFF。

而FFFE在UCS中是不存在的字串,所以不應該出現在實際傳輸中。

UCS規範建議我們在傳輸字元流前,先傳輸字串"ZEROWIDTHNO-BREAKSPACE"。

  這樣如果接收者收到FEFF,就表明這個字元流是Big-Endian的;如果收到FFFE,就表明這個字元流是Little-Endian的。

因此字串"ZEROWIDTHNO-BREAKSPACE"又被稱作BOM。

  UTF-8不需要BOM來表明字元順序,但可以用BOM來表明編碼方式。

字串"ZEROWIDTHNO-BREAKSPACE"的UTF-8編碼是EFBBBF(讀者可以用我們前面介紹的編碼方法驗證一下)。

所以如果接收者收到以EFBBBF開頭的字元流,就知道這是UTF-8編碼了。

  Windows就是使用BOM來標記文本文件的編碼方式的。

6、進一步的參考資料  本文主要參考的資料是"ShortoverviewofISO-IEC10646andUnicode"。

  我還找了兩篇看上去不錯的資料,不過因為我開始的疑問都找到了答案,所以就沒有看:  "UnderstandingUnicodeAgeneralintroductiontotheUnicodeStandard"  "CharactersetencodingbasicsUnderstandingcharactersetencodingsandlegacyencodings"  我寫過UTF-8、UCS-2、GBK相互轉換的軟體包,包括使用WindowsAPI和不使用WindowsAPI的版本。

以後有時間的話,我會整理一下放到我的個人主頁上(http://fmddlmyy.home4u.china.com)。

附錄1再說說區位碼、GB2312、內碼和程式碼頁  有的朋友對文章中這句話還有疑問:  「GB2312的原文還是區位碼,從區位碼到內碼,需要在高字元和低字元上分別加上A0。

」  我再詳細解釋一下:  「GB2312的原文」是指國家1980年的一個標準《中華人民共和國國家標準訊息交換用漢字編碼字串集基本集GB2312-80》。

這個標準用兩個數來編碼漢字和中文符號。

第一個數稱為「區」,第二個數稱為「位」。

所以也稱為區位碼。

1-9區是中文符號,16-55區是一級漢字,56-87區是二級漢字。

現在Windows也還有區位輸入法,例如輸入1601得到「啊」。

  內碼是指操作系統內部的字串編碼。

早期操作系統的內碼是與語言相關的.現在的Windows在內部統一使用Unicode,然後用程式碼頁適應各種語言,「內碼」的概念就比較模糊了。

微軟一般將預設程式碼頁指定的編碼說成是內碼,在特殊的場合也會說自己的內碼是Unicode,例如在GB18030問題的處理上。

  所謂程式碼頁(codepage)就是針對一種語言文字的字串編碼。

例如GBK的codepage是CP936,BIG5的codepage是CP950,GB2312的codepage是CP20936。

  Windows中有預設程式碼頁的概念,即預設用什麼編碼來解釋字串。

例如Windows的記事本開啟了一個文本文件,裡面的內容是字元流:BA、BA、D7、D6。

Windows應該去怎麼解釋它呢?  是按照Unicode編碼解釋、還是按照GBK解釋、還是按照BIG5解釋,還是按照ISO8859-1去解釋?如果按GBK去解釋,就會得到「漢字」兩個字。

按照其它編碼解釋,可能找不到對應的字串,也可能找到錯誤的字串。

所謂「錯誤」是指與文本作者的本意不符,這時就產生了亂碼。

  答案是Windows按照現用的預設程式碼頁去解釋文本文件裡的字元流。

預設程式碼頁可以通過控制台的區域選項設定。

記事本的另存為中有一項ANSI,其實就是按照預設程式碼頁的編碼方法儲存。

  Windows的內碼是Unicode,它在技術上可以同時支持多個程式碼頁。

只要文件能說明自己使用什麼編碼,用戶又安裝了對應的程式碼頁,Windows就能正確顯示,例如在HTML文件中就可以指定charset。

  有的HTML文件作者,特別是英文作者,認為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之間的字串,中文Windows又按照預設的GBK去解釋,就會出現亂碼。

這時只要在這個html文件中加上指定charset的語句,例如:如果原作者使用的程式碼頁和ISO8859-1相容,就不會出現亂碼了。

  再說區位碼,啊的區位碼是1601,寫成16進制是0x10,0x01。

這和電腦廣泛使用的ASCII編碼衝突。

為了相容00-7f的ASCII編碼,我們在區位碼的高、低字元上分別加上A0。

這樣「啊」的編碼就成為B0A1。

我們將加過兩個A0的編碼也稱為GB2312編碼,雖然GB2312的原文根本沒提到這一點。

中日韓漢字Unicode編碼表http://khiav.myweb.hinet.net/html/unicode.htm網頁式的Unicode轉換器-但顯示的編碼為十進制http://tool.webmasterhome.cn/unicode.asp 資料來源:http://forum.slime.com.tw/thread169880.html 全站熱搜 創作者介紹 flykof 十年磨一劍 flykof發表在痞客邦留言(1)人氣() E-mail轉寄 全站分類:藝文評論上一篇:MySQL安裝設定 下一篇:ASCII字元表 ▲top 留言列表 發表留言 站方公告 [公告]2022/09/02相簿、部落格功能維護公告[公告]2022/08/22、08/23應用市集部分功能維護公告[公告]痞客邦APP全新服務上線-美食優惠券 熱門文章 文章分類 網頁設計(2) CGI(1)Javascript(1) 資訊(2) RFID(1)Embedded(1) 網際網路(2) PPP(1)網際網路(3) Error(1) error(4) C/C++(2) C/C++(4)原創Function(1) Linux(3) LinuxDeviceDrivers(11)linux(10)ubuntu(3) Embedded(4) S3C2410(5)WinCE-s3c2410(2)cortex-m3(1)菜鳥的嵌入式系統(4) QT(1) QT(12) SQL(2)未分類文章(10) 最新文章 最新留言 文章精選 文章精選 2012四月(1) 2012三月(8) 2011十一月(3) 2011十月(1) 2010四月(3) 2010三月(2) 2010二月(2) 2010一月(1) 2009十二月(2) 2009十一月(2) 2009十月(1) 2009九月(6) 2009八月(2) 2009七月(5) 2009六月(4) 2009五月(10) 2009四月(10) 2009三月(14) 所有文章列表 文章搜尋 新聞交換(RSS) 誰來我家 參觀人氣 本日人氣: 累積人氣: QRCode POWEREDBY (登入) 回到頁首 回到主文 免費註冊 客服中心 痞客邦首頁 ©2003-2022PIXNET 關閉視窗



請為這篇文章評分?