Unicode編碼介紹
先從ASCII說起。ASCII是用來(lái)表示英文字符的一種編碼規(guī)范,每個(gè)ASCII字符占用1個(gè)字節(jié)(8bits)因此,ASCII編碼可以表示的最大字符數(shù)是256,其實(shí)英文字符并沒有那么多,一般只用前128個(gè)(最高位為0),其中包括了控制字符、數(shù)字、大小寫字母和其他一些符號(hào)。而最高位為1的另128個(gè)字符被成為“擴(kuò)展ASCII”,一般用來(lái)存放英文的制表符、部分音標(biāo)字符等等的一些其他符號(hào)這種字符編碼規(guī)范顯然用來(lái)處理英文沒有什么問題。(實(shí)際上也可以用來(lái)處理法文、德文等一些其他的西歐字符,但是不能和英文通用),但是面對(duì)中文、阿拉伯文之類復(fù)雜的文字,255個(gè)字符顯然不夠用于是,各個(gè)國(guó)家紛紛制定了自己的文字編碼規(guī)范,其中中文的文字編碼規(guī)范叫做“GB2312-80”,它是和ASCII兼容的一種編碼規(guī)范,其實(shí)就是利用擴(kuò)展ASCII沒有真正標(biāo)準(zhǔn)化這一點(diǎn),把一個(gè)中文字符用兩個(gè)擴(kuò)展ASCII字符來(lái)表示。但是這個(gè)方法有問題,最大的問題就是,中文文字沒有真正屬于自己的編碼,因?yàn)閿U(kuò)展ASCII碼雖然沒有真正的標(biāo)準(zhǔn)化,但是PC里的ASCII碼還是有一個(gè)事實(shí)標(biāo)準(zhǔn)的(存放著英文制表符),所以很多軟件利用這些符號(hào)來(lái)畫表格。這樣的軟件用到中文系統(tǒng)中,這些表格符就會(huì)被誤認(rèn)作中文字,破壞版面。而且,統(tǒng)計(jì)中英文混合字符串中的字?jǐn)?shù),也是比較復(fù)雜的,我們必須判斷一個(gè)ASCII碼是否擴(kuò)展,以及它的下一個(gè)ASCII是否擴(kuò)展,然后才“猜”那可能是一個(gè)中文字??傊?dāng)時(shí)處理中文是很痛苦的。而更痛苦的是GB2312是國(guó)家標(biāo)準(zhǔn),臺(tái)灣當(dāng)時(shí)有一個(gè)Big5編碼標(biāo)準(zhǔn),很多編碼和GB是相同的,所以……,嘿嘿。這時(shí)候,我們就知道,要真正解決中文問題,不能從擴(kuò)展ASCII的角度入手,也不能僅靠中國(guó)一家來(lái)解決。而必須有一個(gè)全新的編碼系統(tǒng),這個(gè)系統(tǒng)要可以將中文、英文、法文、德文……等等所有的文字統(tǒng)一起來(lái)考慮,為每個(gè)文字都分配一個(gè)單獨(dú)的編碼,這樣才不會(huì)有上面那種現(xiàn)象出現(xiàn)。于是,Unicode誕生了。Unicode有兩套標(biāo)準(zhǔn),一套叫UCS-2(Unicode-16),用2個(gè)字節(jié)為字符編碼,另一套叫UCS-4(Unicode-32),用4個(gè)字節(jié)為字符編碼。以目前常用的UCS-2為例,它可以表示的字符數(shù)為2^16=65535,基本上可以容納所有的歐美字符和絕大部分的亞洲字符。UTF-8的問題后面會(huì)提到。在Unicode里,所有的字符被一視同仁。漢字不再使用“兩個(gè)擴(kuò)展ASCII”,而是使用“1個(gè)Unicode”,注意,現(xiàn)在的漢字是“一個(gè)字符”了,于是,拆字、統(tǒng)計(jì)字?jǐn)?shù)這些問題也就自然而然的解決了。但是,這個(gè)世界不是理想的,不可能在一夜之間所有的系統(tǒng)都使用Unicode來(lái)處理字符,所以Unicode在誕生之日,就必須考慮一個(gè)嚴(yán)峻的問題:和ASCII字符集之間的不兼容問題。我們知道,ASCII字符是單個(gè)字節(jié)的,比如“A”的ASCII是65。而Unicode是雙字節(jié)的,比如“A”的Unicode是0065,這就造成了一個(gè)非常大的問題:以前處理ASCII的那套機(jī)制不能被用來(lái)處理Unicode了。另一個(gè)更加嚴(yán)重的問題是,C語(yǔ)言使用""作為字符串結(jié)尾,而Unicode里恰恰有很多字符都有一個(gè)字節(jié)為0,這樣一來(lái),C語(yǔ)言的字符串函數(shù)將無(wú)法正常處理Unicode,除非把世界上所有用C寫的程序以及他們所用的函數(shù)庫(kù)全部換掉。于是,比Unicode更偉大的東東誕生了,之所以說它更偉大是因?yàn)樗孶nicode不再存在于紙上,而是真實(shí)的存在于我們大家的電腦中。那就是:UTF。UTF=UCSTransformationFormatUCS轉(zhuǎn)換格式它是將Unicode編碼規(guī)則和計(jì)算機(jī)的實(shí)際編碼對(duì)應(yīng)起來(lái)的一個(gè)規(guī)則?,F(xiàn)在流行的UTF有2種:UTF-8和UTF-16。其中UTF-16和上面提到的Unicode本身的編碼規(guī)范是一致的,這里不多說了。而UTF-8不同,它定義了一種“區(qū)間規(guī)則”,這種規(guī)則可以和ASCII編碼保持最大程度的兼容。UTF-8有點(diǎn)類似于Haffman編碼,它將Unicode編碼為00000000-0000007F的字符,用單個(gè)字節(jié)來(lái)表示;00000080-000007FF的字符用兩個(gè)字節(jié)表示00000800-0000FFFF的字符用3字節(jié)表示因?yàn)槟壳盀橹筓nicode-16規(guī)范沒有指定FFFF以上的字符,所以UTF-8最多是使用3個(gè)字節(jié)來(lái)表示一個(gè)字符。但理論上來(lái)說,UTF-8最多需要用6字節(jié)表示一個(gè)字符。在UTF-8里,英文字符仍然跟ASCII編碼一樣,因此原先的函數(shù)庫(kù)可以繼續(xù)使用。而中文的編碼范圍是在0080-07FF之間,因此是2個(gè)字節(jié)表示(但這兩個(gè)字節(jié)和GB編碼的兩個(gè)字節(jié)是不同的),用專門的Unicode處理類可以對(duì)UTF編碼進(jìn)行處理。下面說說中文的問題。由于歷史的原因,在Unicode之前,一共存在過3套中文編碼標(biāo)準(zhǔn)。GB2312-80,是中國(guó)大陸使用的國(guó)家標(biāo)準(zhǔn),其中一共編碼了6763個(gè)常用簡(jiǎn)體漢字。Big5,是臺(tái)灣使用的編碼標(biāo)準(zhǔn),編碼了臺(tái)灣使用的繁體漢字,大概有8千多個(gè)。HKSCS,是中國(guó)香港使用的編碼標(biāo)準(zhǔn),字體也是繁體,但跟Big5有所不同。這3套編碼標(biāo)準(zhǔn)都采用了兩個(gè)擴(kuò)展ASCII的方法,因此,幾套編碼互不兼容,而且編碼區(qū)間也各有不同因?yàn)槠洳患嫒菪裕谕粋€(gè)系統(tǒng)中同時(shí)顯示GB和Big5基本上是不可能的。當(dāng)時(shí)的南極星、RichWin等等軟件,在自動(dòng)識(shí)別中文編碼、自動(dòng)顯示正確編碼方面都做了很多努力。他們用了怎樣的技術(shù)我就不得而知了,我知道好像南極星曾經(jīng)以同屏顯示繁簡(jiǎn)中文為賣點(diǎn)。后來(lái),由于各方面的原因,國(guó)際上又制定了針對(duì)中文的統(tǒng)一字符集GBK和GB18030,其中GBK已經(jīng)在Windows、Linux等多種操作系統(tǒng)中被實(shí)現(xiàn)。GBK兼容GB2312,并增加了大量不常用漢字,還加入了幾乎所有的Big5中的繁體漢字。但是GBK中的繁體漢字和Big5中的幾乎不兼容。GB18030相當(dāng)于是GBK的超集,比GBK包含的字符更多。據(jù)我所知目前還沒有操作系統(tǒng)直接支持GB18030。談?wù)刄nicode編碼,簡(jiǎn)要解釋UCS、UTF、BMP、BOM等名詞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松地了解一些原來(lái)不清楚的概念,增進(jìn)知識(shí),類似于打RPG游戲的升級(jí)。整理這篇文章的動(dòng)機(jī)是兩個(gè)問題:?jiǎn)栴}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(zhuǎn)換。同樣是txt文件,Windows是怎樣識(shí)別編碼方式的呢?我很早前就發(fā)現(xiàn)Unicode、Unicodebigendian和UTF-8編碼的txt文件的開頭會(huì)多出幾個(gè)字節(jié),分別是FF、FE(Unicode),FE、FF(Unicodebigendian),EF、BB、BF(UTF-8)。但這些標(biāo)記是基于什么標(biāo)準(zhǔn)呢?問題二:最近在網(wǎng)上看到一個(gè)ConvertUTF.c,實(shí)現(xiàn)了UTF-32、UTF-16和UTF-8這三種編碼方式的相互轉(zhuǎn)換。對(duì)于Unicode(UCS2)、GBK、UTF-8這些編碼方式,我原來(lái)就了解。但這個(gè)程序讓我有些糊涂,想不起來(lái)UTF-16和UCS2有什么關(guān)系。查了查相關(guān)資料,總算將這些問題弄清楚了,順帶也了解了一些Unicode的細(xì)節(jié)。寫成一篇文章,送給有過類似疑問的朋友。本文在寫作時(shí)盡量做到通俗易懂,但要求讀者知道什么是字節(jié),什么是十六進(jìn)制。