中文亂碼之《字符編碼：ASCII，Unicode 和UTF-8》 - 程式人生

不同的簡體中文block 怎麽一個默認lock .html 理論. 參考文獻：字符編碼筆記：ASCII，Unicode 和UTF-8. 一、ASCII 碼. 我們知道，計算機內部，所有 ... 程式人生>>中文亂碼之《字符編碼：ASCII，Unicode和UTF-8》 中文亂碼之《字符編碼：ASCII，Unicode和UTF-8》 阿新••發佈：2019-01-26 不同的簡體中文block怎麽一個默認lock.html理論參考文獻：字符編碼筆記：ASCII，Unicode和UTF-8 一、ASCII碼 我們知道，計算機內部，所有信息最終都是一個二進制值。

每一個二進制位（bit）有0和1兩種狀態，因此八個二進制位就可以組合出256種狀態，這被稱為一個字節（byte）。

也就是說，一個字節一共可以用來表示256種不同的狀態，每一個狀態對應一個符號，就是256個符號，從00000000到11111111。

上個世紀60年代，美國制定了一套字符編碼，對英語字符與二進制位之間的關系，做了統一規定。

這被稱為ASCII碼，一直沿用至今。

ASCII碼一共規定了128個字符的編碼，比如空格SPACE是32（二進制00100000），大寫的字母A是65（二進制01000001）。

這128個符號（包括32個不能打印出來的控制符號），只占用了一個字節的後面7位，最前面的一位統一規定為0。

二、非ASCII編碼 英語用128個符號編碼就夠了，但是用來表示其他語言，128個符號是不夠的。

比如，在法語中，字母上方有註音符號，它就無法用ASCII碼表示。

於是，一些歐洲國家就決定，利用字節中閑置的最高位編入新的符號。

比如，法語中的é的編碼為130（二進制10000010）。

這樣一來，這些歐洲國家使用的編碼體系，可以表示最多256個符號。

但是，這裏又出現了新的問題。

不同的國家有不同的字母，因此，哪怕它們都使用256個符號的編碼方式，代表的字母卻不一樣。

比如，130在法語編碼中代表了é，在希伯來語編碼中卻代表了字母Gimel(?)，在俄語編碼中又會代表另一個符號。

但是不管怎樣，所有這些編碼方式中，0--127表示的符號是一樣的，不一樣的只是128--255的這一段。

至於亞洲國家的文字，使用的符號就更多了，漢字就多達10萬左右。

一個字節只能表示256種符號，肯定是不夠的，就必須使用多個字節表達一個符號。

比如，簡體中文常見的編碼方式是GB2312，使用兩個字節表示一個漢字，所以理論上最多可以表示256x256=65536個符號。

中文編碼的問題需要專文討論，這篇筆記不涉及。

這裏只指出，雖然都是用多個字節表示一個符號，但是GB類的漢字編碼與後文的Unicode和UTF-8是毫無關系的。

三.Unicode 正如上一節所說，世界上存在著多種編碼方式，同一個二進制數字可以被解釋成不同的符號。

因此，要想打開一個文本文件，就必須知道它的編碼方式，否則用錯誤的編碼方式解讀，就會出現亂碼。

為什麽電子郵件常常出現亂碼？就是因為發信人和收信人使用的編碼方式不一樣。

可以想象，如果有一種編碼，將世界上所有的符號都納入其中。

每一個符號都給予一個獨一無二的編碼，那麽亂碼問題就會消失。

這就是Unicode，就像它的名字都表示的，這是一種所有符號的編碼。

Unicode當然是一個很大的集合，現在的規模可以容納100多萬個符號。

每個符號的編碼都不一樣，比如，U+0639表示阿拉伯字母Ain，U+0041表示英語的大寫字母A，U+4E25表示漢字嚴。

具體的符號對應表，可以查詢unicode.org，或者專門的漢字對應表。

四、Unicode的問題 需要註意的是，Unicode只是一個符號集，它只規定了符號的二進制代碼，卻沒有規定這個二進制代碼應該如何存儲。

比如，漢字嚴的Unicode是十六進制數4E25，轉換成二進制數足足有15位（100111000100101），也就是說，這個符號的表示至少需要2個字節。

表示其他更大的符號，可能需要3個字節或者4個字節，甚至更多。

這裏就有兩個嚴重的問題，第一個問題是，如何才能區別Unicode和ASCII？計算機怎麽知道三個字節表示一個符號，而不是分別表示三個符號呢？第二個問題是，我們已經知道，英文字母只用一個字節表示就夠了，如果Unicode統一規定，每個符號用三個或四個字節表示，那麽每個英文字母前都必然有二到三個字節是0，這對於存儲來說是極大的浪費，文本文件的大小會因此大出二三倍，這是無法接受的。

它們造成的結果是：1）出現了Unicode的多種存儲方式，也就是說有許多種不同的二進制格式，可以用來表示Unicode。

2）Unicode在很長一段時間內無法推廣，直到互聯網的出現。

五、UTF-8 互聯網的普及，強烈要求出現一種統一的編碼方式。

UTF-8就是在互聯網上使用最廣的一種Unicode的實現方式。

其他實現方式還包括UTF-16（字符用兩個字節或四個字節表示）和UTF-32（字符用四個字節表示），不過在互聯網上基本不用。

重復一遍，這裏的關系是，UTF-8是Unicode的實現方式之一。

UTF-8最大的一個特點，就是它是一種變長的編碼方式。

它可以使用1~4個字節表示一個符號，根據不同的符號而變化字節長度。

UTF-8的編碼規則很簡單，只有二條： 1）對於單字節的符號，字節的第一位設為0，後面7位為這個符號的Unicode碼。

因此對於英語字母，UTF-8編碼和ASCII碼是相同的。

2）對於n字節的符號（n>1），第一個字節的前n位都設為1，第n+1位設為0，後面字節的前兩位一律設為10。

剩下的沒有提及的二進制位，全部為這個符號的Unicode碼。

下表總結了編碼規則，字母x表示可用編碼的位。

Unicode符號範圍|UTF-8編碼方式 (十六進制)|（二進制） ----------------------+--------------------------------------------- 00000000-0000007F|0xxxxxxx 00000080-000007FF|110xxxxx10xxxxxx 00000800-0000FFFF|1110xxxx10xxxxxx10xxxxxx 00010000-0010FFFF|11110xxx10xxxxxx10xxxxxx10xxxxxx 跟據上表，解讀UTF-8編碼非常簡單。

如果一個字節的第一位是0，則這個字節單獨就是一個字符；如果第一位是1，則連續有多少個1，就表示當前字符占用多少個字節。

下面，還是以漢字嚴為例，演示如何實現UTF-8編碼。

嚴的Unicode是4E25（100111000100101），根據上表，可以發現4E25處在第三行的範圍內（00000800-0000FFFF），因此嚴的UTF-8編碼需要三個字節，即格式是1110xxxx10xxxxxx10xxxxxx。

然後，從嚴的最後一個二進制位開始，依次從後向前填入格式中的x，多出的位補0。

這樣就得到了，嚴的UTF-8編碼是111001001011100010100101，轉換成十六進制就是E4B8A5。

六、Unicode與UTF-8之間的轉換 通過上一節的例子，可以看到嚴的Unicode碼是4E25，UTF-8編碼是E4B8A5，兩者是不一樣的。

它們之間的轉換可以通過程序實現。

Windows平臺，有一個最簡單的轉化方法，就是使用內置的記事本小程序notepad.exe。

打開文件後，點擊文件菜單中的另存為命令，會跳出一個對話框，在最底部有一個編碼的下拉條。

裏面有四個選項：ANSI，Unicode，Unicodebigendian和UTF-8。

1）ANSI是默認的編碼方式。

對於英文文件是ASCII編碼，對於簡體中文文件是GB2312編碼（只針對Windows簡體中文版，如果是繁體中文版會采用Big5碼）。

2）Unicode編碼這裏指的是notepad.exe使用的UCS-2編碼方式，即直接用兩個字節存入字符的Unicode碼，這個選項用的littleendian格式。

3）Unicodebigendian編碼與上一個選項相對應。

我在下一節會解釋littleendian和bigendian的涵義。

4）UTF-8編碼，也就是上一節談到的編碼方法。

選擇完"編碼方式"後，點擊"保存"按鈕，文件的編碼方式就立刻轉換好了。

七、Littleendian和Bigendian 上一節已經提到，UCS-2格式可以存儲Unicode碼（碼點不超過0xFFFF）。

以漢字嚴為例，Unicode碼是4E25，需要用兩個字節存儲，一個字節是4E，另一個字節是25。

存儲的時候，4E在前，25在後，這就是Bigendian方式；25在前，4E在後，這是Littleendian方式。

這兩個古怪的名稱來自英國作家斯威夫特的《格列佛遊記》。

在該書中，小人國裏爆發了內戰，戰爭起因是人們爭論，吃雞蛋時究竟是從大頭(Big-endian)敲開還是從小頭(Little-endian)敲開。

為了這件事情，前後爆發了六次戰爭，一個皇帝送了命，另一個皇帝丟了王位。

第一個字節在前，就是"大頭方式"（Bigendian），第二個字節在前就是"小頭方式"（Littleendian）。

那麽很自然的，就會出現一個問題：計算機怎麽知道某一個文件到底采用哪一種方式編碼？ Unicode規範定義，每一個文件的最前面分別加入一個表示編碼順序的字符，這個字符的名字叫做"零寬度非換行空格"（zerowidthno-breakspace），用FEFF表示。

這正好是兩個字節，而且FF比FE大1。

如果一個文本文件的頭兩個字節是FEFF，就表示該文件采用大頭方式；如果頭兩個字節是FFFE，就表示該文件采用小頭方式。

八、實例 下面，舉一個實例。

打開"記事本"程序notepad.exe，新建一個文本文件，內容就是一個嚴字，依次采用ANSI，Unicode，Unicodebigendian和UTF-8編碼方式保存。

然後，用文本編輯軟件UltraEdit中的"十六進制功能"，觀察該文件的內部編碼方式。

1）ANSI：文件的編碼就是兩個字節D1CF，這正是嚴的GB2312編碼，這也暗示GB2312是采用大頭方式存儲的。

2）Unicode：編碼是四個字節FFFE254E，其中FFFE表明是小頭方式存儲，真正的編碼是4E25。

3）Unicodebigendian：編碼是四個字節FEFF4E25，其中FEFF表明是大頭方式存儲。

4）UTF-8：編碼是六個字節EFBBBFE4B8A5，前三個字節EFBBBF表示這是UTF-8編碼，後三個E4B8A5就是嚴的具體編碼，它的存儲順序與編碼順序是一致的。

九、延伸閱讀 TheAbsoluteMinimumEverySoftwareDeveloperAbsolutely,PositivelyMustKnowAboutUnicodeandCharacterSets（關於字符集的最基本知識） 談談Unicode編碼 RFC3629：UTF-8,atransformationformatofISO10646（如果實現UTF-8的規定） （完）中文亂碼之《字符編碼：ASCII，Unicode和UTF-8》 [bzoj4566][Haoi2016]找相同字符 «上一篇 使用c語言計算分期貸款折算年化收益率（內部收益率IRR*12）下一篇» 相關推薦 中文亂碼之《字符編碼：ASCII，Unicode和UTF-8》 不同的簡體中文block怎麽一個默認lock.html理論參考文獻：字符編碼筆記：ASCII，Unicod... python基礎之字符編碼及文件操作 運行原理讀文件進制數包括當前告訴行程列表多個一、了解字符編碼前的知識儲備 1、計算機運行程序或讀取... Python——day3_基礎1_集合,文件操作,字符編碼與轉碼 windows使用bject差集isefsestylespldev集合 集合是一個無序的，不重復的數據組合... python學習筆記（集合的使用、文件操作、字符編碼與轉碼、函數） 函數式編程close取值指定編碼mage指定位置lac空白你在集合 集合(set)：把不同的元素組成一起形... Python之字符編碼（Day10） 方式encode編輯器字符串類型python文件介質odin進制mage1.python解釋器執行py文... python之----------字符編碼具體原理 運行問題區別網絡python2strong編碼http文件1.內存和硬盤都是用來存儲的。

CPU：速度快 ... python之字符編碼（四） 其余文本編輯讀取文件頭二進制++對應關系都是信息一、字符編碼的使用： 　　1、文本編輯器 　　unicod... day1_python之字符編碼 imagetle編碼內容tool文本需要python代碼後綴一、計算機基礎知識 二、文本編輯器存... python基礎知識之字符編碼 轉換成聲明一行p12python3添加源文件屏幕字體　　字節與字符：計算機存儲的數據，不管是文本、音頻、視... mysql之字符編碼問題 新建bsp數據filesyste服務usrclient通過結果問題描述:新建數據庫並新建表插入數據，中文亂... 搜尋 基礎教學 Mysql入門 Sql入門 Android入門 Docker入門 Go語言入門 Ruby程式入門 Python入門 Python進階 Django入門 Python爬蟲入門 最近訪問 中文亂碼之《字符編碼：ASCII，Unicode+和+UTF-8》 微信公眾號實現跟關注使用者進行訊息的互動功能（1）封裝基本類 c#關於網頁內容抓取，簡單爬蟲的實現。

（包括動態，靜態的） C語言記憶體地址基礎 Android+之修改標題欄（title） AngularJs-指令和控制器互動 Anaconda建立、啟用、退出、刪除虛擬環境. 編譯alsa-aplay C++修改QML內容+++基礎 IOS+及+Mac+開發的區別