2022年2022年计算机中的字符编码 .pdf

计算机中的字符编码0.字符与编码的发展.1 0.1 字符，字节，字符串.2 0.2 字符集与编码 .3 1.ASCII 码.4 2.非 ASCII 编码.5 3.Unicode.5 3.1 Unicode 的问题 .5 4.UTF-8.6 4.1 Unicode 与 UTF-8 之间的转换 .6 4.2 Little endian 和 Big endian.7 4.3 实例.8 4.4 关于 BOM.8 5.GB2312.9 0.字符与编码的发展从计算机对多国语言的支持角度看，大致可以分为三个阶段：系统内码说明系统阶段一 ASCII 计算机刚开始只支持英语，其它语言不能够在计算机上存储和显示。英文 DOS 阶段二ANSI 编码（本地化）为使计算机支持更多语言，通常使用 0 x800 xFF 范围的 2 个字节来表示 1 个字符。比如：汉字 中 在中文操作系统中，使用 0 xD6,0 xD0 这两个字节存储。不同的国家和地区制定了不同的标准，由此产生了GB2312,BIG5,JIS 等各自的编码标准。这些使用2 个字节来代表一个字符的各种汉字延伸编码方式，称为 ANSI 编码。在简体中文系统下，ANSI 编码代表 GB2312 编码，在日文操作系统下，ANSI 编码代表 JIS 编码。不同 ANSI 编码之间互不兼容，当信息在国际间交流时，无法将属于两种语言的文字，存储在同一段ANSI 编码的文本中。中 文DOS，中 文Windows 95/98，日文 Windows 95/98 阶段三UNICODE（国际化）为了使国际间信息交流更加方便，国际组织制定了UNICODE 字符集，为各种语言中的每一个字符设定了统一并且唯一的数字编号，以满足跨语言、跨平台进行文本转换、处理的要求。Windows NT/2000/XP，Linux，Java 名师资料总结-精品资料欢迎下载-名师精心整理-第 1 页，共 9 页 -字符串在内存中的存放方法：在 ASCII 阶段，单字节字符串使用一个字节存放一个字符（SBCS）。比如，Bob123 在内存中为：42 6F 62 31 32 33 00 B o b 1 2 3 0 在使用 ANSI 编码支持多种语言阶段，每个字符使用一个字节或多个字节来表示（MBCS），因此，这种方式存放的字符也被称作多字节字符。比如，中文 123 在中文 Windows 95 内存中为 7 个字节，每个汉字占2 个字节，每个英文和数字字符占1 个字节：D6 D0 CE C4 31 32 33 00 中文1 2 3 0 在 UNICODE 被采用之后，计算机存放字符串时，改为存放每个字符在 UNICODE 字符集中的序号。目前计算机一般使用 2 个字节（16 位）来存放一个序号（DBCS），因此，这种方式存放的字符也被称作宽字节字符。比如，字符串 中文 123 在 Windows 2000 下，内存中实际存放的是 5 个序号：2D 4E 87 65 31 00 32 00 33 00 00 00 在 x86 CPU 中，低字节在前中文1 2 3 0 一共占 10 个字节。0.1 字符，字节，字符串理解编码的关键，是要把字符的概念和字节的概念理解准确。这两个概念容易混淆，我们在此做一下区分：概念描述举例字符人们使用的记号，抽象意义上的一个符号。1,中,a,$,￥,字节计算机中存储数据的单元，一个8 位的二进制数，是一个很具体的存储空间。0 x01,0 x45,0 xFA,ANSI 字符串在内存中，如果“字符”是以ANSI 编码形式存在的，一个字符可能使用一个字节或多个字节来表示，那么我们称这种字符串为ANSI 字符串或者多字节字符串。中文 123（占 7 字节）UNICODE 字符串在内存中，如果“字符”是以在UNICODE 中的序号存在的，那么我们称这种字符串为UNICODE 字符串或者宽字节字符串。L中文 123（占 10 字节）由于不同ANSI 编码所规定的标准是不相同的，因此，对于一个给定的多字节字符串，我们必须 知道 它采用 的是 哪一 种编码 规则，才 能够 知道它 包含 了哪 些“字符”。而对于UNICODE 字符串来说，不管在什么环境下，它所代表的“字符”内容总是不变的。名师资料总结-精品资料欢迎下载-名师精心整理-第 2 页，共 9 页 -0.2 字符集与编码各个国家和地区所制定的不同 ANSI 编码标准中，都只规定了各自语言所需的“字符”。比如：汉字标准（GB2312）中没有规定韩国语字符怎样存储。这些 ANSI 编码标准所规定的内容包含两层含义：（1）使用哪些字符。也就是说哪些汉字，字母和符号会被收入标准中。所包含“字符”的集合就叫做“字符集”；（2）规定每个“字符”分别用一个字节还是多个字节存储，用哪些字节来存储，这个规定就叫做“编码”。各个国家和地区在制定编码标准的时候，“字符的集合”和“编码”一般都是同时制定的。因此，平常我们所说的“字符集”，比如：GB2312,GBK,JIS 等，除了有“字符的集合”这层含义外，同时也包含了“编码”的含义。“UNICODE 字符集”包含了各种语言中使用到的所有“字符”。用来给 UNICODE 字符集编码的标准有很多种，比如：UTF-8,UTF-7,UTF-16,UnicodeLittle,UnicodeBig 等简单介绍一下常用的编码规则，为后边的章节做一个准备。在这里，我们根据编码规则的特点，把所有的编码分成三类：分类编码标准说明单 字 节 字符编码ISO-8859-1 最简单的编码规则，每一个字节直接作为一个 UNICODE 字符。比如，0 xD6,0 xD0 这两个字节，通过 iso-8859-1 转化为字符串时，将直接得到 0 x00D6,0 x00D0 两个 UNICODE 字符，即?D。反之，将 UNICODE 字符串通过 iso-8859-1 转化为字节串时，只能正常转化 0255 范围的字符。ANSI 编码GB2312,BIG5,Shift_JIS,ISO-8859-2,把 UNICODE 字符串通过 ANSI 编码转化为“字节串”时，根据各自编码的规定，一个 UNICODE 字符可能转化成一个字节或多个字节。反之，将字节串转化成字符串时，也可能多个字节转化成一个字符。比如，0 xD6,0 xD0 这两个字节，通过 GB2312 转化为字符串时，将得到 0 x4E2D 一个字符，即 中 字。“ANSI 编码”的特点：1.这些“ANSI 编码标准”都只能处理各自语言范围之内的UNICODE 字符。2.“UNICODE 字符”与“转换出来的字节”之间的关系是人为规定的。UNICODE 编码UTF-8,UTF-16,UnicodeBig,与“ANSI 编码”类似的，把字符串通过 UNICODE 编码转化成“字节串”时，一个 UNICODE 字符可能转化成一个字节或多个字节。与“ANSI 编码”不同的是：1.这些“UNICODE 编码”能够处理所有的 UNICODE 字符。2.“UNICODE 字符”与“转换出来的字节”之间是可以通过计算得到的。我们实际上没有必要去深究每一种编码具体把某一个字符编码成了哪几个字节，我们只需要知道“编码”的概念就是把“字符”转化成“字节”就可以了。对于“UNICODE 编名师资料总结-精品资料欢迎下载-名师精心整理-第 3 页，共 9 页 -码”，由于它们是可以通过计算得到的，因此，在特殊的场合，我们可以去了解某一种“UNICODE 编码”是怎样的规则。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（American Standard Code for Information Interchange，美国信息互换标准代码）是基于拉丁字母的一套电脑编码系统。它主要用于显示现代英语和其他西欧语言。它是现今最通用的单字节编码系统，并等同于国际标准ISO/IEC 646。ASCII 第一次以规范标准的型态发表是在1967 年，最后一次更新则是在1986 年，至今为止共定义了128 个字元，其中 33 个字元无法显示（这是以现今作业系统为依归，但在 DOS模式下可显示出一些诸如笑脸、扑克牌花式等8-bit 符号），且这 33 个字元多数都已是陈废的控制字元，控制字元的用途主要是用来操控已经处理过的文字，在33 个字元之外的是95个可显示的字元，包含用键盘敲下空白键所产生的空白字元也算1 个可显示字元（显示为空白）。标准的 ASCII 码表如下所示：名师资料总结-精品资料欢迎下载-名师精心整理-第 4 页，共 9 页 -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 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，在希伯来语编码中却代表了字母Gimel(?)，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，0127 表示的符号是一样的，不一样的只是128255 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。中文编码的问题放在后面讨论。这里需指出，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。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。UCS 规定了怎么用多个字节表示各种文字。怎样传输这些编码，是由UTF(UCS Transformation Format)规范规定的。3.1 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，名师资料总结-精品资料欢迎下载-名师精心整理-第 5 页，共 9 页 -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。4.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14 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（n1），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-Hex Min-Hex Max-|-Byte Sequence in Binary-0000 0000-0000 007F|0 xxxxxxx 0000 0080-0000 07FF|110 xxxxx 10 xxxxxx 0000 0800-0000 FFFF|1110 xxxx 10 xxxxxx 10 xxxxxx 0001 0000-001F FFFF|11110 xxx 10 xxxxxx 10 xxxxxx 10 xxxxxx 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“1110 xxxx 10 xxxxxx 10 xxxxxx”。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。再如，“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：1110 xxxx 10 xxxxxx 10 xxxxxx。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。4.1 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，在最底名师资料总结-精品资料欢迎下载-名师精心整理-第 6 页，共 9 页 -部有一个“编码”的下拉条。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。4.2 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。补充定义：a)Little-Endian 就是低位字节排放在内存的低地址端，高位字节排放在内存的高地址端。b)Big-Endian 就是高位字节排放在内存的低地址端，低位字节排放在内存的高地址端。32bit宽的数 0 x12345678 在 Little-endian模式 CPU内存中的存放方式（假设从地址0 x4000开始存放）为：名师资料总结-精品资料欢迎下载-名师精心整理-第 7 页，共 9 页 -内存地址存放内容0 x4003 0 x12 0 x4002 0 x34 0 x4001 0 x56 0 x4000 0 x78 而在 Big-endian模式 CPU内存中的存放方式则为：内存地址存放内容0 x4003 0 x78 0 x4002 0 x56 0 x4001 0 x34 0 x4000 0 x12 4.3 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。4.4 关于 BOM 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。名师资料总结-精品资料欢迎下载-名师精心整理-第 8 页，共 9 页 -5.GB2312 GB 2312 或 GB 2312-80 是一个简体中文字符集的中国国家标准，全称为信息交换用汉字编码字符集 基本集，又称为 GB0，由中国国家标准总局发布，1981 年 5 月 1 日实施。GB2312 编码通行于中国大陆；新加坡等地也采用此编码。中国大陆几乎所有的中文系统和国际化的软件都支持GB 2312。GB 2312 标准共收录6763 个汉字，其中一级汉字3755 个，二级汉字3008 个；同时，GB 2312 收录了包括拉丁字母、希腊字母、日文平假名及片假名字母、俄语西里尔字母在内的 682 个全角字符。GB 2312 的出现，基本满足了汉字的计算机处理需要，它所收录的汉字已经覆盖中国大陆 99.75%的使用频率。对于人名、古汉语等方面出现的罕用字，GB 2312 不能处理，这导致了后来GBK 及 GB 18030 汉字字符集的出现。分区表示GB 2312 中对所收汉字进行了“分区”处理，每区含有94 个汉字符号。这种表示方式也称为区位码。01-09 区为特殊符号。16-55 区为一级汉字，按拼音排序。56-87 区为二级汉字，按部首笔画排序。10-15 区及 88-94 区则未有编码。举例来说，“啊”字是GB2312 之中的第一个汉字，它的区位码就是1601。字节结构在使用 GB2312 的程序中，通常采用EUC 储存方法，以便兼容于ASCII。浏览器编码表上的“GB2312”，通常都是指“EUC-CN”表示法。每个汉字及符号以两个字节来表示。第一个字节称为“高位字节”，第二个字节称为“低位字节”。“高位字节”使用了 0 xA1-0 xF7（把 01-87 区的区号加上0 xA0），“低位字节”使用了 0 xA1-0 xFE（把01-94 加上0 xA0）。由于一级汉字从16 区起始，汉字区的“高位字节”的范围是0 xB0-0 xF7，“低位字节”的范围是0 xA1-0 xFE，占用的码位是72*94=6768。其中有5 个空位是 D7FA-D7FE。例如“啊”字在大多数程序中，会以两个字节，0 xB0（第一个字节）0 xA1（第二个字节）储存。（与区位码对比：0 xB0=0 xA0+16,0 xA1=0 xA0+1）。名师资料总结-精品资料欢迎下载-名师精心整理-第 9 页，共 9 页 -