轉(zhuǎn)自：字符編碼筆記：ASCII，Unicode和UTF-8

1. ASCII碼
我們知道局劲，在計(jì)算機(jī)內(nèi)部勺拣，所有的信息最終都表示為一個二進(jìn)制的字符串。每一個二進(jìn)制位（bit）有0和1兩種狀態(tài)鱼填，因此八個二進(jìn)制位就可以組合出256種狀態(tài)药有，這被稱為一個字節(jié)（byte）。也就是說苹丸，一個字節(jié)一共可以用來表示256種不同的狀態(tài)愤惰，每一個狀態(tài)對應(yīng)一個符號，就是256個符號赘理，從0000000到11111111宦言。

上個世紀(jì)60年代，美國制定了一套字符編碼商模，對英語字符與二進(jìn)制位之間的關(guān)系奠旺，做了統(tǒng)一規(guī)定。這被稱為ASCII碼阻桅，一直沿用至今凉倚。

ASCII碼一共規(guī)定了128個字符的編碼，比如空格"SPACE"是32（二進(jìn)制00100000）嫂沉，大寫的字母A是65（二進(jìn)制01000001）稽寒。這128個符號（包括32個不能打印出來的控制符號），只占用了一個字節(jié)的后面7位趟章，最前面的1位統(tǒng)一規(guī)定為0杏糙。

2、非ASCII編碼
英語用128個符號編碼就夠了蚓土，但是用來表示其他語言宏侍，128個符號是不夠的。比如蜀漆，在法語中谅河，字母上方有注音符號，它就無法用ASCII碼表示。于是绷耍，一些歐洲國家就決定吐限，利用字節(jié)中閑置的最高位編入新的符號。比如褂始，法語中的é的編碼為130（二進(jìn)制10000010）诸典。這樣一來，這些歐洲國家使用的編碼體系崎苗，可以表示最多256個符號狐粱。

但是，這里又出現(xiàn)了新的問題胆数。不同的國家有不同的字母肌蜻，因此，哪怕它們都使用256個符號的編碼方式幅慌，代表的字母卻不一樣宋欺。比如，130在法語編碼中代表了é胰伍，在希伯來語編碼中卻代表了字母Gimel (?)，在俄語編碼中又會代表另一個符號酸休。但是不管怎樣骂租，所有這些編碼方式中，0--127表示的符號是一樣的斑司，不一樣的只是128--255的這一段渗饮。

至于亞洲國家的文字，使用的符號就更多了宿刮，漢字就多達(dá)10萬左右互站。一個字節(jié)只能表示256種符號励七，肯定是不夠的耕挨，就必須使用多個字節(jié)表達(dá)一個符號眉菱。比如璃诀，簡體中文常見的編碼方式是GB2312单起，使用兩個字節(jié)表示一個漢字效床，所以理論上最多可以表示256x256=65536個符號棺聊。

中文編碼的問題需要專文討論耀销，這篇筆記不涉及自脯。這里只指出之景，雖然都是用多個字節(jié)表示一個符號，但是GB類的漢字編碼與后文的Unicode和UTF-8是毫無關(guān)系的膏潮。

3.Unicode
正如上一節(jié)所說锻狗，世界上存在著多種編碼方式，同一個二進(jìn)制數(shù)字可以被解釋成不同的符號。因此轻纪，要想打開一個文本文件油额，就必須知道它的編碼方式，否則用錯誤的編碼方式解讀桐磁，就會出現(xiàn)亂碼悔耘。為什么電子郵件常常出現(xiàn)亂碼？就是因?yàn)榘l(fā)信人和收信人使用的編碼方式不一樣我擂。

可以想象衬以，如果有一種編碼，將世界上所有的符號都納入其中校摩。每一個符號都給予一個獨(dú)一無二的編碼看峻，那么亂碼問題就會消失。這就是Unicode衙吩，就像它的名字都表示的互妓，這是一種所有符號的編碼。

Unicode當(dāng)然是一個很大的集合坤塞，現(xiàn)在的規(guī)姆朊悖可以容納100多萬個符號。每個符號的編碼都不一樣摹芙，比如灼狰，U+0639表示阿拉伯字母Ain，U+0041表示英語的大寫字母A浮禾，U+4E25表示漢字"嚴(yán)"交胚。具體的符號對應(yīng)表，可以查詢unicode.org盈电，或者專門的漢字對應(yīng)表蝴簇。

4. Unicode的問題
需要注意的是，Unicode只是一個符號集匆帚，它只規(guī)定了符號的二進(jìn)制代碼熬词，卻沒有規(guī)定這個二進(jìn)制代碼應(yīng)該如何存儲。

比如卷扮，漢字"嚴(yán)"的unicode是十六進(jìn)制數(shù)4E25荡澎，轉(zhuǎn)換成二進(jìn)制數(shù)足足有15位（100111000100101），也就是說這個符號的表示至少需要2個字節(jié)晤锹。表示其他更大的符號摩幔，可能需要3個字節(jié)或者4個字節(jié)，甚至更多鞭铆。

這里就有兩個嚴(yán)重的問題或衡，第一個問題是焦影，如何才能區(qū)別Unicode和ASCII？計(jì)算機(jī)怎么知道三個字節(jié)表示一個符號封断，而不是分別表示三個符號呢斯辰？第二個問題是，我們已經(jīng)知道坡疼，英文字母只用一個字節(jié)表示就夠了彬呻，如果Unicode統(tǒng)一規(guī)定，每個符號用三個或四個字節(jié)表示柄瑰，那么每個英文字母前都必然有二到三個字節(jié)是0闸氮，這對于存儲來說是極大的浪費(fèi)，文本文件的大小會因此大出二三倍教沾，這是無法接受的蒲跨。

它們造成的結(jié)果是：

1. 出現(xiàn)了Unicode的多種存儲方式，也就是說有許多種不同的二進(jìn)制格式授翻，可以用來表示Unicode或悲。

2.Unicode在很長一段時間內(nèi)無法推廣，直到互聯(lián)網(wǎng)的出現(xiàn)堪唐。

5.UTF-8
互聯(lián)網(wǎng)的普及巡语，強(qiáng)烈要求出現(xiàn)一種統(tǒng)一的編碼方式。UTF-8就是在互聯(lián)網(wǎng)上使用最廣的一種Unicode的實(shí)現(xiàn)方式捌臊。其他實(shí)現(xiàn)方式還包括UTF-16（字符用兩個字節(jié)或四個字節(jié)表示）和UTF-32（字符用四個字節(jié)表示），不過在互聯(lián)網(wǎng)上基本不用兜材。

注意： 重復(fù)一遍，這里的關(guān)系是逞力，UTF-8是Unicode的實(shí)現(xiàn)方式之一曙寡。

UTF-8最大的一個特點(diǎn)，就是它是一種變長的編碼方式寇荧。它可以使用1~4個字節(jié)表示一個符號举庶，根據(jù)不同的符號而變化字節(jié)長度。

UTF-8的編碼規(guī)則很簡單揩抡，只有二條：

1. 對于單字節(jié)的符號户侥，字節(jié)的第一位設(shè)為0，后面7位為這個符號的unicode碼峦嗤。因此對于英語字母蕊唐，UTF-8編碼和ASCII碼是相同的。

2. 對于n字節(jié)的符號（n>1）烁设，第一個字節(jié)的前n位都設(shè)為1替梨，第n+1位設(shè)為0，后面字節(jié)的前兩位一律設(shè)為10。剩下的沒有提及的二進(jìn)制位副瀑，全部為這個符號的unicode碼弓熏。

下表總結(jié)了編碼規(guī)則，字母x表示可用編碼的位糠睡。

Paste_Image.png

跟據(jù)上表挽鞠，解讀UTF-8編碼非常簡單。如果一個字節(jié)的第一位是0狈孔，則這個字節(jié)單獨(dú)就是一個字符信认；如果第一位是1，則連續(xù)有多少個1除抛，就表示當(dāng)前字符占用多少個字節(jié)狮杨。

下面，還是以漢字"嚴(yán)"為例到忽，演示如何實(shí)現(xiàn)UTF-8編碼橄教。

已知"嚴(yán)"的unicode是4E25（100111000100101），根據(jù)上表喘漏，可以發(fā)現(xiàn)4E25處在第三行的范圍內(nèi)（0000 0800-0000 FFFF）护蝶，因此"嚴(yán)"的UTF-8編碼需要三個字節(jié)，即格式是"1110xxxx 10xxxxxx 10xxxxxx"翩迈。然后持灰，從"嚴(yán)"的最后一個二進(jìn)制位開始，依次從后向前填入格式中的x负饲，多出的位補(bǔ)0堤魁。這樣就得到了，"嚴(yán)"的UTF-8編碼是"11100100 10111000 10100101"返十，轉(zhuǎn)換成十六進(jìn)制就是E4B8A5妥泉。

6. Unicode與UTF-8之間的轉(zhuǎn)換
通過上一節(jié)的例子，可以看到"嚴(yán)"的Unicode碼是4E25洞坑，UTF-8編碼是E4B8A5盲链，兩者是不一樣的。它們之間的轉(zhuǎn)換可以通過程序?qū)崿F(xiàn)迟杂。
在Windows平臺下刽沾，有一個最簡單的轉(zhuǎn)化方法，就是使用內(nèi)置的記事本小程序Notepad.exe排拷。打開文件后侧漓，點(diǎn)擊"文件"菜單中的"另存為"命令，會跳出一個對話框攻泼，在最底部有一個"編碼"的下拉條火架。

bg2007102801.jpg

里面有四個選項(xiàng)：ANSI鉴象，Unicode，Unicode big endian 和 UTF-8何鸡。

1. ANSI是默認(rèn)的編碼方式纺弊。對于英文文件是ASCII編碼，對于簡體中文文件是GB2312編碼（只針對Windows簡體中文版骡男，如果是繁體中文版會采用Big5碼）淆游。
2. Unicode編碼指的是UCS-2編碼方式，即直接用兩個字節(jié)存入字符的Unicode碼隔盛。這個選項(xiàng)用的little endian格式犹菱。
3. Unicode big endian編碼與上一個選項(xiàng)相對應(yīng)。我在下一節(jié)會解釋little endian和big endian的涵義吮炕。
4. UTF-8編碼腊脱，也就是上一節(jié)談到的編碼方法。
   選擇完"編碼方式"后龙亲，點(diǎn)擊"保存"按鈕陕凹，文件的編碼方式就立刻轉(zhuǎn)換好了。

7. Little endian和Big endian
上一節(jié)已經(jīng)提到鳄炉，Unicode碼可以采用UCS-2格式直接存儲杜耙。以漢字"嚴(yán)"為例，Unicode碼是4E25拂盯，需要用兩個字節(jié)存儲佑女，一個字節(jié)是4E，另一個字節(jié)是25谈竿。存儲的時候团驱，4E在前，25在后空凸，就是Big endian方式店茶；25在前，4E在后劫恒，就是Little endian方式。

這兩個古怪的名稱來自英國作家斯威夫特的《格列佛游記》轿腺。在該書中两嘴，小人國里爆發(fā)了內(nèi)戰(zhàn)，戰(zhàn)爭起因是人們爭論族壳，吃雞蛋時究竟是從大頭(Big-Endian)敲開還是從小頭(Little-Endian)敲開憔辫。為了這件事情，前后爆發(fā)了六次戰(zhàn)爭仿荆，一個皇帝送了命贰您，另一個皇帝丟了王位坏平。

因此，第一個字節(jié)在前锦亦，就是"大頭方式"（Big endian）舶替，第二個字節(jié)在前就是"小頭方式"（Little endian）。

那么很自然的杠园，就會出現(xiàn)一個問題：計(jì)算機(jī)怎么知道某一個文件到底采用哪一種方式編碼顾瞪？

Unicode規(guī)范中定義，每一個文件的最前面分別加入一個表示編碼順序的字符抛蚁，這個字符的名字叫做"零寬度非換行空格"（ZERO WIDTH NO-BREAK SPACE）陈醒，用FEFF表示。這正好是兩個字節(jié)瞧甩，而且FF比FE大1钉跷。
如果一個文本文件的頭兩個字節(jié)是FE FF，就表示該文件采用大頭方式肚逸；如果頭兩個字節(jié)是FF FE爷辙，就表示該文件采用小頭方式。

8. 實(shí)例
下面吼虎，舉一個實(shí)例犬钢。
打開"記事本"程序Notepad.exe，新建一個文本文件思灰，內(nèi)容就是一個"嚴(yán)"字玷犹，依次采用ANSI，Unicode洒疚，Unicode big endian 和 UTF-8編碼方式保存歹颓。
然后，用文本編輯軟件UltraEdit中的"十六進(jìn)制功能"油湖，觀察該文件的內(nèi)部編碼方式巍扛。

1. ANSI：文件的編碼就是兩個字節(jié)"D1 CF"，這正是"嚴(yán)"的GB2312編碼乏德，這也暗示GB2312是采用大頭方式存儲的撤奸。
2. Unicode：編碼是四個字節(jié)"FF FE 25 4E"，其中"FF FE"表明是小頭方式存儲喊括，真正的編碼是4E25胧瓜。
3. Unicode big endian：編碼是四個字節(jié)"FE FF 4E 25"，其中"FE FF"表明是大頭方式存儲郑什。
4. UTF-8：編碼是六個字節(jié)"EF BB BF E4 B8 A5"府喳，前三個字節(jié)"EF BB BF"表示這是UTF-8編碼，后三個"E4B8A5"就是"嚴(yán)"的具體編碼蘑拯，它的存儲順序與編碼順序是一致的钝满。

9. 延伸閱讀

• The Absolute Minimum Every Software Developer Absolutely, Positively Must Know About Unicode and Character Sets（關(guān)于字符集的最基本知識）
• 談?wù)刄nicode編碼
• RFC3629：UTF-8, a transformation format of ISO 10646（如果實(shí)現(xiàn)UTF-8的規(guī)定）