标签：
字符编码是计算机技术的基石，想要熟练使用计算机，就必须懂得一点字符编码的知识。
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。
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é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é，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，0--127表示的符号是一样的，不一样的只是128--255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。
中文编码的问题需要专文讨论，这篇笔记不涉及。这里只指出，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。
4. 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，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。
5.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。
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。
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（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。
下表总结了编码规则，字母x表示可用编码的位。
<span xmlns="http://www.w3.org/1999/xhtml" style="">// #txt--- | Unicode符号范围 | UTF-8编码方式 n | (十六进制) | (二进制) ---+-----------------------+------------------------------------------------------ 1 | 0000 0000 - 0000 007F | 0xxxxxxx 2 | 0000 0080 - 0000 07FF | 110xxxxx 10xxxxxx 3 | 0000 0800 - 0000 FFFF | 1110xxxx 10xxxxxx 10xxxxxx 4 | 0001 0000 - 0010 FFFF | 11110xxx 10xxxxxx 10xxxxxx 10xxxxxx 5 | 0020 0000 - 03FF FFFF | 111110xx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx 6 | 0400 0000 - 7FFF FFFF | 1111110x 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx 表 1. UTF-8的编码规则 // #txt---end </span>
跟据上表，解读UTF-8编码非常简单。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。
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"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。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。
6. 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。
7. 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。
8. 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。
容易产生后歧义的两字节
unicode的第一个版本是用两个字节(16bit)来表示所有字符
.实际上这么说容易让人产生歧义,我们总觉得两个字节就代表保存在计算机中时是两个字节.于是任何字符如果用unicode表示的话保存下来都占两个字节.其实这种说法是错误的.
其实Unicode涉及到两个步骤,首先是定义一个规范,给所有的字符指定一个唯一对应的数字,这完全是数学问题,可以跟计算机没半毛钱关系.第二步才是怎么把字符对应的数字保存在计算机中,这才涉及到实际在计算机中占多少字节空间.
所以我们也可以这样理解,Unicode是用0至65535之间的数字来表示所有字符.其中0至127这128个数字表示的字符仍然跟ASCII完全一 样.65536是2的16次方.这是第一步.第二步就是怎么把0至65535这些数字转化成01串保存到计算机中.这肯定就有不同的保存方式了.于是出现 了UTF(unicode transformation format),有UTF-8,UTF-16.
UTF-8 与UTF-16的区别
UTF-16比较好理解,就是任何字符对应的数字都用两个字节来保存.我们通常对Unicode的误解就是把Unicode与UTF-16等同了.但是很显然如果都是英文字母这做有点浪费.明明用一个字节能表示一个字符为啥整两个啊.
于是又有个UTF-8,这里的8非常容易误导人,8不是指一个字节,难道一个字节表示一个字符?实际上不是.当用UTF-8时表示一个字符是可变的,有可能是用一个字节表示一个字符,也可能是两个,三个.当然最多不能超过3个字节了.反正是根据字符对应的数字大小来确定.
于是UTF-8和UTF-16的优劣很容易就看出来了.如果全部英文或英文与其他文字混合,但英文占绝大部分,用UTF-8就比UTF-16节省了很多空 间.而如果全部是中文这样类似的字符或者混合字符中中文占绝大多数.UTF-16就占优势了,可以节省很多空间.另外还有个容错问题,等会再讲
看的有点晕了吧,举个例子.假如中文字"汉"对应的unicode是6C49(这是用十六进制表示,用十进制表示是27721为啥不用十进制表示呢?很明 显用十六进制表示要短点.其实都是等价的没啥不一样.就跟你说60分钟和1小时一样.).你可能会问当用程序打开一个文件时我们怎么知道那是用的UTF- 8还是UTF-16啊.自然会有点啥标志,在文件的开头几个字节就是标志.
EF BB BF 表示UTF-8
FE FF 表示UTF-16.
用UTF-16表示"汉"
假如用UTF-16表示的话就是01101100 01001001(共16 bit,两个字节).程序解析的时候知道是UTF-16就把两个字节当成一个单元来解析.这个很简单.
用UTF-8表示"汉"
用UTF-8就有复杂点.因为此时程序是把一个字节一个字节的来读取,然后再根据字节中开头的bit标志来识别是该把1个还是两个或三个字节做为一个单元来处理.
0xxxxxxx,如果是这样的01串,也就是以0开头后面是啥就不用管了XX代表任意bit.就表示把一个字节做为一个单元.就跟ASCII完全一样.
110xxxxx 10xxxxxx.如果是这样的格式,则把两个字节当一个单元
1110xxxx 10xxxxxx 10xxxxxx 如果是这种格式则是三个字节当一个单元.
这是约定的规则.你用UTF-8来表示时必须遵守这样的规则.我们知道UTF-16不需要用啥字符来做标志,所以两字节也就是2的16次能表示65536个字符.
而UTF-8由于里面有额外的标志信息,所有一个字节只能表示2的7次方128个字符,两个字节只能表示2的11次方2048个字符.而三个字节能表示2的16次方,65536个字符.
由于"汉"的编码27721大于2048了所有两个字节还不够,只能用三个字节来表示.
所有要用1110xxxx 10xxxxxx 10xxxxxx这种格式.把27721对应的二进制从左到右填充XXX符号(实际上不一定从左到右,也可以从右到左,这是涉及到另外一个问题.等会说.
刚说到填充方式可以不一样,于是就出现了Big-Endian,Little-Endian的术语.Big-Endian就是从左到右,Little-Endian是从右到左.
由上面我们可以看出UTF-8需要判断每个字节中的开头标志信息,所以如果一当某个字节在传送过程中出错了,就会导致后面的字节也会解析出错.而UTF-16不会判断开头标志,即使错也只会错一个字符,所以容错能力强.
UNICODE与UTF-8类型转换
1 1) 将一个字符的Unicode(UCS-2和UCS-4)编码转换成UTF-8编码. 2 3 // #c--- 4 /***************************************************************************** 5 * 将一个字符的Unicode(UCS-2和UCS-4)编码转换成UTF-8编码. 6 * 7 * 参数: 8 * unic 字符的Unicode编码值 9 * pOutput 指向输出的用于存储UTF8编码值的缓冲区的指针 10 * outsize pOutput缓冲的大小 11 * 12 * 返回值: 13 * 返回转换后的字符的UTF8编码所占的字节数, 如果出错则返回 0 . 14 * 15 * 注意: 16 * 1. UTF8没有字节序问题, 但是Unicode有字节序要求; 17 * 字节序分为大端(Big Endian)和小端(Little Endian)两种; 18 * 在Intel处理器中采用小端法表示, 在此采用小端法表示. (低地址存低位) 19 * 2. 请保证 pOutput 缓冲区有最少有 6 字节的空间大小! 20 ****************************************************************************/ 21 int enc_unicode_to_utf8_one(unsigned long unic, unsigned char *pOutput, 22 int outSize) 23 { 24 assert(pOutput != NULL); 25 assert(outSize >= 6); 26 27 if ( unic <= 0x0000007F ) 28 { 29 // * U-00000000 - U-0000007F: 0xxxxxxx 30 *pOutput = (unic & 0x7F); 31 return 1; 32 } 33 else if ( unic >= 0x00000080 && unic <= 0x000007FF ) 34 { 35 // * U-00000080 - U-000007FF: 110xxxxx 10xxxxxx 36 *(pOutput+1) = (unic & 0x3F) | 0x80; 37 *pOutput = ((unic >> 6) & 0x1F) | 0xC0; 38 return 2; 39 } 40 else if ( unic >= 0x00000800 && unic <= 0x0000FFFF ) 41 { 42 // * U-00000800 - U-0000FFFF: 1110xxxx 10xxxxxx 10xxxxxx 43 *(pOutput+2) = (unic & 0x3F) | 0x80; 44 *(pOutput+1) = ((unic >> 6) & 0x3F) | 0x80; 45 *pOutput = ((unic >> 12) & 0x0F) | 0xE0; 46 return 3; 47 } 48 else if ( unic >= 0x00010000 && unic <= 0x001FFFFF ) 49 { 50 // * U-00010000 - U-001FFFFF: 11110xxx 10xxxxxx 10xxxxxx 10xxxxxx 51 *(pOutput+3) = (unic & 0x3F) | 0x80; 52 *(pOutput+2) = ((unic >> 6) & 0x3F) | 0x80; 53 *(pOutput+1) = ((unic >> 12) & 0x3F) | 0x80; 54 *pOutput = ((unic >> 18) & 0x07) | 0xF0; 55 return 4; 56 } 57 else if ( unic >= 0x00200000 && unic <= 0x03FFFFFF ) 58 { 59 // * U-00200000 - U-03FFFFFF: 111110xx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx 60 *(pOutput+4) = (unic & 0x3F) | 0x80; 61 *(pOutput+3) = ((unic >> 6) & 0x3F) | 0x80; 62 *(pOutput+2) = ((unic >> 12) & 0x3F) | 0x80; 63 *(pOutput+1) = ((unic >> 18) & 0x3F) | 0x80; 64 *pOutput = ((unic >> 24) & 0x03) | 0xF8; 65 return 5; 66 } 67 else if ( unic >= 0x04000000 && unic <= 0x7FFFFFFF ) 68 { 69 // * U-04000000 - U-7FFFFFFF: 1111110x 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx 70 *(pOutput+5) = (unic & 0x3F) | 0x80; 71 *(pOutput+4) = ((unic >> 6) & 0x3F) | 0x80; 72 *(pOutput+3) = ((unic >> 12) & 0x3F) | 0x80; 73 *(pOutput+2) = ((unic >> 18) & 0x3F) | 0x80; 74 *(pOutput+1) = ((unic >> 24) & 0x3F) | 0x80; 75 *pOutput = ((unic >> 30) & 0x01) | 0xFC; 76 return 6; 77 } 78 79 return 0; 80 } 81 // #c---end
1 <span xmlns="http://www.w3.org/1999/xhtml" style="">// #c--- 2 /***************************************************************************** 3 * 将一个字符的UTF8编码转换成Unicode(UCS-2和UCS-4)编码. 4 * 5 * 参数: 6 * pInput 指向输入缓冲区, 以UTF-8编码 7 * Unic 指向输出缓冲区, 其保存的数据即是Unicode编码值, 8 * 类型为unsigned long . 9 * 10 * 返回值: 11 * 成功则返回该字符的UTF8编码所占用的字节数; 失败则返回0. 12 * 13 * 注意: 14 * 1. UTF8没有字节序问题, 但是Unicode有字节序要求; 15 * 字节序分为大端(Big Endian)和小端(Little Endian)两种; 16 * 在Intel处理器中采用小端法表示, 在此采用小端法表示. (低地址存低位) 17 ****************************************************************************/ 18 int enc_utf8_to_unicode_one(const unsigned char* pInput, unsigned long *Unic) 19 { 20 assert(pInput != NULL && Unic != NULL); 21 22 // b1 表示UTF-8编码的pInput中的高字节, b2 表示次高字节, ... 23 char b1, b2, b3, b4, b5, b6; 24 25 *Unic = 0x0; // 把 *Unic 初始化为全零 26 int utfbytes = enc_get_utf8_size(*pInput); 27 unsigned char *pOutput = (unsigned char *) Unic; 28 29 switch ( utfbytes ) 30 { 31 case 0: 32 *pOutput = *pInput; 33 utfbytes += 1; 34 break; 35 case 2: 36 b1 = *pInput; 37 b2 = *(pInput + 1); 38 if ( (b2 & 0xE0) != 0x80 ) 39 return 0; 40 *pOutput = (b1 << 6) + (b2 & 0x3F); 41 *(pOutput+1) = (b1 >> 2) & 0x07; 42 break; 43 case 3: 44 b1 = *pInput; 45 b2 = *(pInput + 1); 46 b3 = *(pInput + 2); 47 if ( ((b2 & 0xC0) != 0x80) || ((b3 & 0xC0) != 0x80) ) 48 return 0; 49 *pOutput = (b2 << 6) + (b3 & 0x3F); 50 *(pOutput+1) = (b1 << 4) + ((b2 >> 2) & 0x0F); 51 break; 52 case 4: 53 b1 = *pInput; 54 b2 = *(pInput + 1); 55 b3 = *(pInput + 2); 56 b4 = *(pInput + 3); 57 if ( ((b2 & 0xC0) != 0x80) || ((b3 & 0xC0) != 0x80) 58 || ((b4 & 0xC0) != 0x80) ) 59 return 0; 60 *pOutput = (b3 << 6) + (b4 & 0x3F); 61 *(pOutput+1) = (b2 << 4) + ((b3 >> 2) & 0x0F); 62 *(pOutput+2) = ((b1 << 2) & 0x1C) + ((b2 >> 4) & 0x03); 63 break; 64 case 5: 65 b1 = *pInput; 66 b2 = *(pInput + 1); 67 b3 = *(pInput + 2); 68 b4 = *(pInput + 3); 69 b5 = *(pInput + 4); 70 if ( ((b2 & 0xC0) != 0x80) || ((b3 & 0xC0) != 0x80) 71 || ((b4 & 0xC0) != 0x80) || ((b5 & 0xC0) != 0x80) ) 72 return 0; 73 *pOutput = (b4 << 6) + (b5 & 0x3F); 74 *(pOutput+1) = (b3 << 4) + ((b4 >> 2) & 0x0F); 75 *(pOutput+2) = (b2 << 2) + ((b3 >> 4) & 0x03); 76 *(pOutput+3) = (b1 << 6); 77 break; 78 case 6: 79 b1 = *pInput; 80 b2 = *(pInput + 1); 81 b3 = *(pInput + 2); 82 b4 = *(pInput + 3); 83 b5 = *(pInput + 4); 84 b6 = *(pInput + 5); 85 if ( ((b2 & 0xC0) != 0x80) || ((b3 & 0xC0) != 0x80) 86 || ((b4 & 0xC0) != 0x80) || ((b5 & 0xC0) != 0x80) 87 || ((b6 & 0xC0) != 0x80) ) 88 return 0; 89 *pOutput = (b5 << 6) + (b6 & 0x3F); 90 *(pOutput+1) = (b5 << 4) + ((b6 >> 2) & 0x0F); 91 *(pOutput+2) = (b3 << 2) + ((b4 >> 4) & 0x03); 92 *(pOutput+3) = ((b1 << 6) & 0x40) + (b2 & 0x3F); 93 break; 94 default: 95 return 0; 96 break; 97 } 98 99 return utfbytes; 100 } 101 // #c---end 102 </span>
延伸阅读
* The Absolute Minimum Every Software Developer Absolutely, Positively Must Know About Unicode and Character Sets（关于字符集的最基本知识）
* RFC3629：UTF-8, a transformation format of ISO 10646（如果实现UTF-8的规定）
原文链接：
http://www.ruanyifeng.com/blog/2007/10/ascii_unicode_and_utf-8.html
http://blog.csdn.net/tge7618291/article/details/7599902
http://www.cnblogs.com/kingcat/archive/2012/10/16/2726334.html
标签：
原文地址：http://www.cnblogs.com/Offie/p/4786435.html
