本文包括2部分內(nèi)容:“ASCII问拘,Unicode和UTF-8” 和 “Big Endian和Little Endian”。
第1部分 ASCII慢味,Unicode和UTF-8 介紹
1. ASCII碼
我們知道场梆,計(jì)算機(jī)內(nèi)部,所有信息最終都是一個(gè)二進(jìn)制值纯路。每一個(gè)二進(jìn)制位(bit)有0
和1
兩種狀態(tài)或油,因此八個(gè)二進(jìn)制位就可以組合出256種狀態(tài),這被稱(chēng)為一個(gè)字節(jié)(byte)驰唬。也就是說(shuō)顶岸,一個(gè)字節(jié)一共可以用來(lái)表示256種不同的狀態(tài),每一個(gè)狀態(tài)對(duì)應(yīng)一個(gè)符號(hào)叫编,就是256個(gè)符號(hào)辖佣,從00000000
到11111111
。
上個(gè)世紀(jì)60年代搓逾,美國(guó)制定了一套字符編碼卷谈,對(duì)英語(yǔ)字符與二進(jìn)制位之間的關(guān)系,做了統(tǒng)一規(guī)定霞篡。這被稱(chēng)為 ASCII 碼世蔗,一直沿用至今端逼,具體可查閱 ASCII碼對(duì)照表。
ASCII 碼一共規(guī)定了128個(gè)字符的編碼污淋,比如空格SPACE
是32(二進(jìn)制00100000
)顶滩,大寫(xiě)的字母A
是65(二進(jìn)制01000001
)。這128個(gè)符號(hào)(包括32個(gè)不能打印出來(lái)的控制符號(hào))寸爆,只占用了一個(gè)字節(jié)的后面7位礁鲁,最前面的一位統(tǒng)一規(guī)定為0
。
2.非ASCII編碼
英語(yǔ)用128個(gè)符號(hào)編碼就夠了赁豆,但是用來(lái)表示其他語(yǔ)言仅醇,128個(gè)符號(hào)是不夠的。比如魔种,在法語(yǔ)中着憨,字母上方有注音符號(hào),它就無(wú)法用 ASCII 碼表示务嫡。于是,一些歐洲國(guó)家就決定漆改,利用字節(jié)中閑置的最高位編入新的符號(hào)心铃。比如,法語(yǔ)中的é
的編碼為130(二進(jìn)制10000010
)挫剑。這樣一來(lái)去扣,這些歐洲國(guó)家使用的編碼體系,可以表示最多256個(gè)符號(hào)樊破。
但是愉棱,這里又出現(xiàn)了新的問(wèn)題。不同的國(guó)家有不同的字母哲戚,因此奔滑,哪怕它們都使用256個(gè)符號(hào)的編碼方式,代表的字母卻不一樣顺少。比如朋其,130在法語(yǔ)編碼中代表了é
,在希伯來(lái)語(yǔ)編碼中卻代表了字母Gimel
(?
)脆炎,在俄語(yǔ)編碼中又會(huì)代表另一個(gè)符號(hào)梅猿。但是不管怎樣,所有這些編碼方式中秒裕,0--127表示的符號(hào)是一樣的袱蚓,不一樣的只是128--255的這一段。
至于亞洲國(guó)家的文字几蜻,使用的符號(hào)就更多了喇潘,漢字就多達(dá)10萬(wàn)左右体斩。一個(gè)字節(jié)只能表示256種符號(hào),肯定是不夠的响蓉,就必須使用多個(gè)字節(jié)表達(dá)一個(gè)符號(hào)硕勿。比如,簡(jiǎn)體中文常見(jiàn)的編碼方式是 GB2312枫甲,使用兩個(gè)字節(jié)表示一個(gè)漢字源武,所以理論上最多可以表示 256 x 256 = 65536 個(gè)符號(hào)。
中文編碼的問(wèn)題需要專(zhuān)文討論想幻,這篇筆記不涉及粱栖。這里只指出,雖然都是用多個(gè)字節(jié)表示一個(gè)符號(hào)脏毯,但是GB類(lèi)的漢字編碼與后文的 Unicode 和 UTF-8 是毫無(wú)關(guān)系的闹究。
3.Unicode
正如上一節(jié)所說(shuō),世界上存在著多種編碼方式食店,同一個(gè)二進(jìn)制數(shù)字可以被解釋成不同的符號(hào)渣淤。因此,要想打開(kāi)一個(gè)文本文件吉嫩,就必須知道它的編碼方式价认,否則用錯(cuò)誤的編碼方式解讀,就會(huì)出現(xiàn)亂碼自娩。為什么電子郵件常常出現(xiàn)亂碼用踩?就是因?yàn)榘l(fā)信人和收信人使用的編碼方式不一樣。
可以想象忙迁,如果有一種編碼脐彩,將世界上所有的符號(hào)都納入其中。每一個(gè)符號(hào)都給予一個(gè)獨(dú)一無(wú)二的編碼姊扔,那么亂碼問(wèn)題就會(huì)消失惠奸。這就是 Unicode,就像它的名字都表示的恰梢,這是一種所有符號(hào)的編碼晨川。
Unicode 當(dāng)然是一個(gè)很大的集合,現(xiàn)在的規(guī)纳静颍可以容納100多萬(wàn)個(gè)符號(hào)共虑。每個(gè)符號(hào)的編碼都不一樣,比如呀页,U+0639
表示阿拉伯字母Ain
妈拌,U+0041
表示英語(yǔ)的大寫(xiě)字母A
,U+4E25
表示漢字嚴(yán)
。具體的符號(hào)對(duì)應(yīng)表尘分,可以查詢(xún)unicode.org猜惋,或者專(zhuān)門(mén)的漢字對(duì)應(yīng)表。
4. Unicode的問(wèn)題
需要注意的是培愁,Unicode 只是一個(gè)符號(hào)集著摔,它只規(guī)定了符號(hào)的二進(jìn)制代碼,卻沒(méi)有規(guī)定這個(gè)二進(jìn)制代碼應(yīng)該如何存儲(chǔ)定续。
比如谍咆,漢字嚴(yán)
的 Unicode 是十六進(jìn)制數(shù)4E25
,轉(zhuǎn)換成二進(jìn)制數(shù)足足有15位(100111000100101
)私股,也就是說(shuō)摹察,這個(gè)符號(hào)的表示至少需要2個(gè)字節(jié)。表示其他更大的符號(hào)倡鲸,可能需要3個(gè)字節(jié)或者4個(gè)字節(jié)供嚎,甚至更多。
這里就有兩個(gè)嚴(yán)重的問(wèn)題:
- 第一個(gè)問(wèn)題是峭状,如何才能區(qū)別 Unicode 和 ASCII 克滴?計(jì)算機(jī)怎么知道三個(gè)字節(jié)表示一個(gè)符號(hào),而不是分別表示三個(gè)符號(hào)呢优床?
所以偿曙,為了避免混淆,必須加入一種編碼機(jī)制羔巢,比如目前非常常用的 UTF-8 編碼方式。
- 第二個(gè)問(wèn)題是罩阵,我們已經(jīng)知道竿秆,英文字母只用一個(gè)字節(jié)表示就夠了,如果 Unicode 統(tǒng)一規(guī)定稿壁,每個(gè)符號(hào)用三個(gè)或四個(gè)字節(jié)表示幽钢,那么每個(gè)英文字母前都必然有二到三個(gè)字節(jié)是
0
,這對(duì)于存儲(chǔ)來(lái)說(shuō)是極大的浪費(fèi)傅是,文本文件的大小會(huì)因此大出二三倍匪燕,這是無(wú)法接受的。
它們?cè)斐傻慕Y(jié)果是:1)出現(xiàn)了 Unicode 的多種存儲(chǔ)方式喧笔,也就是說(shuō)有許多種不同的二進(jìn)制格式帽驯,可以用來(lái)表示 Unicode。2)Unicode 在很長(zhǎng)一段時(shí)間內(nèi)無(wú)法推廣书闸,直到互聯(lián)網(wǎng)的出現(xiàn)尼变。
5.UTF-8
互聯(lián)網(wǎng)的普及,強(qiáng)烈要求出現(xiàn)一種統(tǒng)一的編碼方式浆劲。UTF-8 就是在互聯(lián)網(wǎng)上使用最廣的一種 Unicode 的實(shí)現(xiàn)方式嫌术。其他實(shí)現(xiàn)方式還包括 UTF-16(字符用兩個(gè)字節(jié)或四個(gè)字節(jié)表示)和 UTF-32(字符用四個(gè)字節(jié)表示)哀澈,不過(guò)在互聯(lián)網(wǎng)上基本不用。重復(fù)一遍度气,這里的關(guān)系是割按,UTF-8 是 Unicode 的實(shí)現(xiàn)方式之一。
UTF-8 最大的一個(gè)特點(diǎn)磷籍,就是它是一種變長(zhǎng)的編碼方式适荣。它可以使用1~4個(gè)字節(jié)表示一個(gè)符號(hào),根據(jù)不同的符號(hào)而變化字節(jié)長(zhǎng)度择示。
UTF-8 的編碼規(guī)則很簡(jiǎn)單束凑,只有二條:
1)對(duì)于單字節(jié)的符號(hào),字節(jié)的第一位設(shè)為0
栅盲,后面7位為這個(gè)符號(hào)的 Unicode 碼汪诉。因此對(duì)于英語(yǔ)字母,UTF-8 編碼和 ASCII 碼是相同的谈秫。
2)對(duì)于n
字節(jié)的符號(hào)(n > 1
)扒寄,第一個(gè)字節(jié)的前n
位都設(shè)為1
,第n + 1
位設(shè)為0
拟烫,后面字節(jié)的前兩位一律設(shè)為10
该编。剩下的沒(méi)有提及的二進(jìn)制位,全部為這個(gè)符號(hào)的 Unicode 碼硕淑。
由此可見(jiàn)课竣,Unicode是ASCII碼的超集(符號(hào)集合),而 UTF-8 是給前兩者加了殼之后的編碼方式置媳。
下表總結(jié)了編碼規(guī)則于樟,字母x
表示可用編碼的位。
Unicode符號(hào)范圍(十六進(jìn)制) | UTF-8編碼方式(二進(jìn)制) |
---|---|
0000 0000-0000 007F | 0xxxxxxx |
0000 0080-0000 07FF | 110xxxxx 10xxxxxx |
0000 0800-0000 FFFF | 1110xxxx 10xxxxxx 10xxxxxx |
0001 0000-0010 FFFF | 11110xxx 10xxxxxx 10xxxxxx 10xxxxxx |
跟據(jù)上表拇囊,解讀 UTF-8 編碼非常簡(jiǎn)單迂曲。如果一個(gè)字節(jié)的第一位是0
,則這個(gè)字節(jié)單獨(dú)就是一個(gè)字符寥袭;如果第一位是1
路捧,則連續(xù)有多少個(gè)1
,就表示當(dāng)前字符占用多少個(gè)字節(jié)传黄。
注意:如上表所示杰扫,每組編碼靠左邊的是高字節(jié),靠右邊的是低字節(jié)膘掰。區(qū)別于高地址和低地址涉波,后面會(huì)講到大小端的問(wèn)題。
下面,還是以漢字嚴(yán)
為例啤覆,演示如何實(shí)現(xiàn) UTF-8 編碼苍日。
嚴(yán)
的 Unicode 是4E25
(100111000100101
),根據(jù)上表窗声,可以發(fā)現(xiàn)4E25
處在第三行的范圍內(nèi)(0000 0800 - 0000 FFFF
)相恃,因此嚴(yán)
的 UTF-8 編碼需要三個(gè)字節(jié),即格式是1110xxxx 10xxxxxx 10xxxxxx
笨觅。然后拦耐,從嚴(yán)
的最后一個(gè)二進(jìn)制位開(kāi)始,依次從后向前填入格式中的x
见剩,多出的位補(bǔ)0
杀糯。這樣就得到了,嚴(yán)
的 UTF-8 編碼是11100100 10111000 10100101
苍苞,轉(zhuǎn)換成十六進(jìn)制就是E4B8A5
固翰。
再次重復(fù)一遍,這里的關(guān)系是:Unicode是所有符號(hào)轉(zhuǎn)換至二進(jìn)制代碼的符號(hào)集合羹呵,UTF-8是Unicode的實(shí)現(xiàn)方式之一骂际,即 UTF-8 = Unicode符號(hào)集+變長(zhǎng)的編碼方式。
6.Unicode 與 UTF-8 之間的轉(zhuǎn)換
通過(guò)上一節(jié)的例子冈欢,可以看到嚴(yán)
的 Unicode碼 是4E25
歉铝,UTF-8 編碼是E4B8A5
,兩者是不一樣的凑耻。它們之間的轉(zhuǎn)換可以通過(guò)程序?qū)崿F(xiàn)太示。
Windows平臺(tái),有一個(gè)最簡(jiǎn)單的轉(zhuǎn)化方法香浩,就是使用內(nèi)置的記事本小程序notepad.exe
类缤。打開(kāi)文件后,點(diǎn)擊文件
菜單中的另存為
命令弃衍,會(huì)跳出一個(gè)對(duì)話框,在最底部有一個(gè)編碼
的下拉條。
里面有四個(gè)選項(xiàng):ANSI
,Unicode
意敛,Unicode big endian
和UTF-8
辽聊。
1)ANSI
是默認(rèn)的編碼方式。對(duì)于英文文件是ASCII
編碼规哪,對(duì)于簡(jiǎn)體中文文件是GB2312
編碼(只針對(duì) Windows 簡(jiǎn)體中文版,如果是繁體中文版會(huì)采用 Big5 碼)。
2)Unicode
編碼這里指的是notepad.exe
使用的 UCS-2 編碼方式艺糜,即直接用兩個(gè)字節(jié)存入字符的 Unicode 碼,這個(gè)選項(xiàng)用的 little endian 格式。
3)Unicode big endian
編碼與上一個(gè)選項(xiàng)相對(duì)應(yīng)破停。我在下一節(jié)會(huì)解釋 little endian 和 big endian 的涵義翅楼。
4)UTF-8
編碼,也就是上一節(jié)談到的編碼方法真慢。
選擇完"編碼方式"后毅臊,點(diǎn)擊"保存"按鈕,文件的編碼方式就立刻轉(zhuǎn)換好了黑界。
第2部分 Big endian 和 Little endian介紹
Big endian(大端法)是指低地址存放最高有效字節(jié)(MSB)管嬉,而Little endian(小端法)則是低地址存放最低有效字節(jié)(LSB)。
通過(guò)文字理解可能比較抽象朗鸠,下面用圖像加以說(shuō)明蚯撩。下圖是“0x12345678在兩種字節(jié)序中的存儲(chǔ)順序”:
1. Big Endian
低地址 高地址
----------------------------------------->
+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+
| 12 | 34 | 56 | 78 |
+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+
說(shuō)明:上面是0x12345678對(duì)應(yīng)big endian的存儲(chǔ)方式。
(01) 0x12345678是int整數(shù)烛占,它共有4個(gè)字節(jié):分別是0x12, 0x34, 0x56, 0x78胎挎;其中,0x12是最高有效字節(jié)扰楼,0x78是最低有效字節(jié)呀癣。int占4個(gè)字節(jié),這個(gè)是常識(shí)弦赖;0x12是十六進(jìn)制的表示方式项栏,0x12對(duì)應(yīng)的二進(jìn)制是00010010,正好是8位蹬竖,也就是1個(gè)字節(jié)沼沈;因此0x12, 0x34, 0x56, 0x78共是4個(gè)字節(jié)。
(02) big endian是將最高有效字節(jié)存儲(chǔ)在低地址中币厕,因?yàn)榫褪?x12(最高有效地址)列另,存在低地址;那么旦装,從低往高地址依次存放0x12 --> 0x34 --> 0x56 --> 0x78页衙。也就是上面圖像中的存儲(chǔ)方式。
2. Little Endian
低地址 高地址
----------------------------------------->
+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+
| 78 | 56 | 34 | 12 |
+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+-+
說(shuō)明:上面是0x12345678對(duì)應(yīng)little endian的存儲(chǔ)方式阴绢。
(01) 0x12345678是int整數(shù)店乐,它共有4個(gè)字節(jié):分別是0x12, 0x34, 0x56, 0x78;其中呻袭,0x12是最高有效字節(jié)眨八,0x78是最低有效字節(jié)。
(02) little endian是將最低有效字節(jié)存儲(chǔ)在低地址中左电,因?yàn)榫褪?x78(最低有效地址)廉侧,存在低地址页响;從低往高地址依次存放0x78 --> 0x56 --> 0x34 --> 0x12。也就是上面圖像中的存儲(chǔ)方式段誊。
3. 網(wǎng)絡(luò)字節(jié)序闰蚕,是大端序
在網(wǎng)絡(luò)傳輸中,TCP/UDP/IP 協(xié)議都采用大端字節(jié)序枕扫。因?yàn)榕汶纾琓CP/UDP/IP 等網(wǎng)絡(luò)協(xié)議規(guī)定接收到得第一個(gè)字節(jié)是高字節(jié),存放到低地址烟瞧,所以發(fā)送時(shí)會(huì)首先去低地址取數(shù)據(jù)的高字節(jié)诗鸭,同樣接收端先接收到的字節(jié)為數(shù)據(jù)的高位。
在不同的操作系統(tǒng)平臺(tái)中参滴,內(nèi)存采用的字節(jié)序可能不同强岸,x86和一般的OS(如windows,F(xiàn)reeBSD,Linux)使用的是小端模式砾赔。但比如Mac OS是大端模式蝌箍。在不同平臺(tái)之間進(jìn)行網(wǎng)絡(luò)傳輸時(shí),需要進(jìn)行特殊的轉(zhuǎn)換暴心,詳見(jiàn)
網(wǎng)絡(luò)通信之 字節(jié)序轉(zhuǎn)換原理與網(wǎng)絡(luò)字節(jié)序妓盲、大端和小端模式
4. big endian 和 little endian判斷方式
下面,我們通過(guò)示例程序來(lái)判斷CPU是大端存儲(chǔ)還是小端存儲(chǔ)专普。
源碼如下(endian.c):
void main() {
int i = 0x12345678;
char* pc = (char*)&i;
if (*pc == 0x12) {
printf("Big Endian\n");
} else if (*pc == 0x78) {
printf("Little Endian\n");
}
}
在 ubuntu12.04 系統(tǒng)下悯衬,運(yùn)行的結(jié)果是“Little Endian”;
在 iOS 系統(tǒng)下檀夹,運(yùn)行的結(jié)果也是“Little Endian”筋粗。
Java驗(yàn)證實(shí)例
在java中,通過(guò) ByteOrder.nativeOrder() 方法可以判斷當(dāng)前平臺(tái)采用的時(shí)大端字節(jié)序還是小端字節(jié)序炸渡,代碼如下:
public static ByteOrder nativeOrder() {
return Bits.byteOrder();
}
static ByteOrder byteOrder() {
if (byteOrder == null)
throw new Error("Unknown byte order");
return byteOrder;
}
static {
long a = unsafe.allocateMemory(8);
try {
unsafe.putLong(a, 0x0102030405060708L);
byte b = unsafe.getByte(a);
switch (b) {
case 0x01: byteOrder = ByteOrder.BIG_ENDIAN; break;
case 0x08: byteOrder = ByteOrder.LITTLE_ENDIAN; break;
default:
assert false;
byteOrder = null;
}
} finally {
unsafe.freeMemory(a);
}
}
主要實(shí)現(xiàn)為static靜態(tài)方法娜亿,首先為long分配了8個(gè)字節(jié)內(nèi)存,然后為long分配了值蚌堵,之后拿出long的第一個(gè)字節(jié)买决,如果為數(shù)據(jù)的高位,那么平臺(tái)采用的是大端字節(jié)序吼畏,如果為數(shù)據(jù)的低位督赤,那么平臺(tái)采用的時(shí)小端字節(jié)序。
Win系統(tǒng)驗(yàn)證實(shí)例
下面宫仗,舉一個(gè)實(shí)例够挂。
打開(kāi)"記事本"程序notepad.exe
旁仿,新建一個(gè)文本文件藕夫,內(nèi)容就是一個(gè)嚴(yán)
字孽糖,依次采用ANSI
,Unicode
毅贮,Unicode big endian
和UTF-8
編碼方式保存办悟。
然后,用文本編輯軟件UltraEdit 中的"十六進(jìn)制功能"滩褥,觀察該文件的內(nèi)部編碼方式病蛉。
1)ANSI:文件的編碼就是兩個(gè)字節(jié)D1 CF
,這正是嚴(yán)
的 GB2312 編碼瑰煎,這也暗示 GB2312 是采用大頭方式存儲(chǔ)的铺然。
2)Unicode:編碼是四個(gè)字節(jié)FF FE 25 4E
,其中FF FE
表明是小頭方式存儲(chǔ)酒甸,真正的編碼是4E25
魄健。
3)Unicode big endian:編碼是四個(gè)字節(jié)FE FF 4E 25
,其中FE FF
表明是大頭方式存儲(chǔ)插勤。
4)UTF-8:編碼是六個(gè)字節(jié)EF BB BF E4 B8 A5
沽瘦,前三個(gè)字節(jié)EF BB BF
表示這是UTF-8編碼,后三個(gè)E4B8A5
就是嚴(yán)
的具體編碼农尖,它的存儲(chǔ)順序與編碼順序是一致的析恋。
參考文獻(xiàn):