字符编码ASCII,Unicode和UTF-8学习

此文大量内容复制自字符编码笔记:ASCII,Unicode和UTF-8,在此基础上,增加部分个人理解,用于存档。

一、ASCII码

所有的信息最终都表示为一个二进制的字符串,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)。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码一共规定了128个字符的编码,比如空格”SPACE”是32(二进制00100000),大写的字母A是65(二进制01000001)。这128个符号(包括32个不能打印出来的控制符号),只占用了一个字节的后面7位,最前面的1位统一规定为0。

维基百科 - ASCII

二、非ASCII编码

一个字节8位,代表256个字符,ASCII码占了128位,剩下128位,各个国家没法分。因而会造成,明明是同一个8位二进制,130(10000010)在法语编码中代表了é,在希伯来语编码中却代表了字母Gimel (ג),在俄语编码中又会代表另一个符号。

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。

三、Unicode

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。

但是需要注意的是,Unicode只是字符集。它规定了一个字符,代表的十六进制是什么,例如汉字”严”的unicode是十六进制数4E25,二进制应该为(100111000100101),而其没有规定这个二进制代码应该怎么存储

好比我发明了一个字,把 “卧槽” 两个字合成一个字,它的unicode可能是十六进制数EEEE,二进制是1110111011101110(才2位,也还好嘛)。但是,想想0x7FFFFFFF(1111111111111111111111111111111),就逆天了。

这里有两个问题:

  1. 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

  2. 计算机怎么知道三个字节(11101110 11101110 11101110)表示一个符号,而不是分别表示三个符号?

四、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(字符用两个字节或四个字节表示)和UTF-32(字符用四个字节表示),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

其解决了上面提到的两个问题,这也是它最大的一个特点,因为是一种变长的编码方式。它可以使用1~4个字节表示一个符号,根据不同的符号而变化字节长度。其解决方式(编码规则)是这样的:

  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(n>1),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。

1
Unicode符号范围 | UTF-8编码方式
(十六进制) | (二进制)
--------------------+---------------------------------------------
0000 0000 到 0000 007F | 0xxxxxxx
0000 0080 到 0000 07FF | 110xxxxx 10xxxxxx
0000 0800 到 0000 FFFF | 1110xxxx 10xxxxxx 10xxxxxx
0001 0000 到 0010 FFFF | 11110xxx 10xxxxxx 10xxxxxx 10xxxxxx

计算机的识别可以理解为是这样的:依次读取,如果读到这个字节开头是0,这个字节完了就完了;读到这个字节前面有4个1,那就再读3个字节(包括当前的字节就是4个字节)(而且后面三个字节都是以10开头)拼凑起来。即:如果一个字节的第一位是0,则这个字节单独就是一个字符;如果第一位是1,则连续有多少个1,就表示当前字符占用多少个字节。

“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”1110xxxx 10xxxxxx 10xxxxxx”。

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。即:100101填到 1110xxxx 10xxxxxx 10xxxxxx,最后那个字节的xxxxxx上,111000填到1110xxxx 10xxxxxx 10xxxxxx最后第二个xxxxxx上,100填到1110xxxx 10xxxxxx 10xxxxxx第一个xxxxxx末尾,得到111xx100 10111000 10100101,然后剩下的xx补为0,这样就得到了,”严”的UTF-8编码是”11100100 10111000 10100101”,其转换成十六进制就是E4B8A5。

有没有发现,其实”严”的Unicode码是4E25,UTF-8编码是E4B8A5,两者是不一样的。因为UTF-8编码方式的很多位,被用来作为“标志”。

五、Little endian和Big endian

此外,Unicode码也可以采用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(大头还是小头)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。

六、编码方式识别

正如前面提到的,UCS-2 大头、小头分别使用FE FF、FF FE来区分,同样的道理,一个文件里有一个”严”字,其编码是六个字节”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。


参考来源