談?wù)刄nicode編碼

chen1960

摘自http://www.linuxsir.org/bbs/showthread.php?t=197380  http://www.linuxsir.org/bbs/showthread.php?t=180572   http://dev.csdn.net/article/69/69883.shtm
一。
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：
問題一：
使用Windows記事本的“另存為”，可以在GBK、Unicode、Unicode big endian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、Unicode big
endian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（Unicode big
endian）,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。對于Unicode(UCS2)、
GBK、UTF-8這些編碼方式，我原來就了解。但這個(gè)程序讓我有些糊涂，想不起來UTF-16和UCS2有什么關(guān)系。
0、big endian和little endian
big
endian和little
endian是CPU處理多字節(jié)數(shù)的不同方式。例如“漢”字的Unicode編碼是6C49。那么寫到文件里時(shí)，究竟是將6C寫在前面，還是將49寫在前
面？如果將6C寫在前面，就是big endian。還是將49寫在前面，就是little endian。
“endian”這個(gè)詞出自《格列佛游記》。小人國的內(nèi)戰(zhàn)就源于吃雞蛋時(shí)是究竟從大頭(Big-Endian)敲開還是從小頭(Little-Endian)敲開，由此曾發(fā)生過六次叛亂，其中一個(gè)皇帝送了命，另一個(gè)丟了王位。
我們一般將endian翻譯成“字節(jié)序”，將big endian和little endian稱作“大尾”和“小尾”。
1、字符編碼、內(nèi)碼，順帶介紹漢字編碼
字符必須編碼后才能被計(jì)算機(jī)處理。計(jì)算機(jī)使用的缺省編碼方式就是計(jì)算機(jī)的內(nèi)碼。早期的計(jì)算機(jī)使用7位的ASCII編碼，為了處理漢字，程序員設(shè)計(jì)了用于簡體中文的GB2312和用于繁體中文的big5。
GB2312(1980年)一共收錄了7445個(gè)字符，包括6763個(gè)漢字和682個(gè)其它符號(hào)。漢字區(qū)的內(nèi)碼范圍高字節(jié)從B0-F7，低字節(jié)從A1-FE，占用的碼位是72*94=6768。其中有5個(gè)空位是D7FA-D7FE。
GB2312
支持的漢字太少。1995年的漢字?jǐn)U展規(guī)范GBK1.0收錄了21886個(gè)符號(hào)，它分為漢字區(qū)和圖形符號(hào)區(qū)。漢字區(qū)包括21003個(gè)字符。2000年的
GB18030是取代GBK1.0的正式國家標(biāo)準(zhǔn)。該標(biāo)準(zhǔn)收錄了27484個(gè)漢字，同時(shí)還收錄了藏文、蒙文、維吾爾文等主要的少數(shù)民族文字�，F(xiàn)在的PC平
臺(tái)必須支持GB18030，對嵌入式產(chǎn)品暫不作要求。所以手機(jī)、MP3一般只支持GB2312。
從ASCII、
GB2312、GBK到GB18030，這些編碼方法是向下兼容的，即同一個(gè)字符在這些方案中總是有相同的編碼，后面的標(biāo)準(zhǔn)支持更多的字符。在這些編碼
中，英文和中文可以統(tǒng)一地處理。區(qū)分中文編碼的方法是高字節(jié)的最高位不為0。按照程序員的稱呼，GB2312、GBK到GB18030都屬于雙字節(jié)字符集
(DBCS)。
有的中文Windows的缺省內(nèi)碼還是GBK，可以通過GB18030升級(jí)包升級(jí)到GB18030。不過GB18030相對GBK增加的字符，普通人是很難用到的，通常我們還是用GBK指代中文Windows內(nèi)碼。
這里還有一些細(xì)節(jié)：

• 
  GB2312的原文還是區(qū)位碼，從區(qū)位碼到內(nèi)碼，需要在高字節(jié)和低字節(jié)上分別加上A0。
  
• 
  在DBCS中，GB內(nèi)碼的存儲(chǔ)格式始終是big endian，即高位在前。
  
• 
  GB2312
  的兩個(gè)字節(jié)的最高位都是1。但符合這個(gè)條件的碼位只有128*128=16384個(gè)。所以GBK和GB18030的低字節(jié)最高位都可能不是1。不過這不影
  響DBCS字符流的解析：在讀取DBCS字符流時(shí)，只要遇到高位為1的字節(jié)，就可以將下兩個(gè)字節(jié)作為一個(gè)雙字節(jié)編碼，而不用管低字節(jié)的高位是什么。
  

2、Unicode、UCS和UTF
前面提到從ASCII、GB2312、GBK到GB18030的編碼方法是向下兼容的。而Unicode只與ASCII兼容（更準(zhǔn)確地說，是與ISO-8859-1兼容），與GB碼不兼容。例如“漢”字的Unicode編碼是6C49，而GB碼是BABA。
Unicode
也是一種字符編碼方法，不過它是由國際組織設(shè)計(jì)，可以容納全世界所有語言文字的編碼方案。Unicode的學(xué)名是"Universal
Multiple-Octet Coded Character Set"，簡稱為UCS。UCS可以看作是"Unicode Character
Set"的縮寫。
根據(jù)維基百科全書(http:
//zh.wikipedia.org/wiki/)的記載：歷史上存在兩個(gè)試圖獨(dú)立設(shè)計(jì)Unicode的組織，即國際標(biāo)準(zhǔn)化組織（ISO）和一個(gè)軟件制
造商的協(xié)會(huì)（unicode.org）。ISO開發(fā)了ISO 10646項(xiàng)目，Unicode協(xié)會(huì)開發(fā)了Unicode項(xiàng)目。
在1991年前后，雙方都認(rèn)識(shí)到世界不需要兩個(gè)不兼容的字符集。于是它們開始合并雙方的工作成果，并為創(chuàng)立一個(gè)單一編碼表而協(xié)同工作。從Unicode2.0開始，Unicode項(xiàng)目采用了與ISO 10646-1相同的字庫和字碼。
目前兩個(gè)項(xiàng)目仍都存在，并獨(dú)立地公布各自的標(biāo)準(zhǔn)。Unicode協(xié)會(huì)現(xiàn)在的最新版本是2005年的Unicode 4.1.0。ISO的最新標(biāo)準(zhǔn)是10646-3:2003。
UCS規(guī)定了怎么用多個(gè)字節(jié)表示各種文字。怎樣傳輸這些編碼，是由UTF(UCS Transformation Format)規(guī)范規(guī)定的，常見的UTF規(guī)范包括UTF-8、UTF-7、UTF-16。
IETF
的RFC2781和RFC3629以RFC的一貫風(fēng)格，清晰、明快又不失嚴(yán)謹(jǐn)?shù)孛枋隽薝TF-16和UTF-8的編碼方法。我總是記不得IETF是
Internet Engineering Task Force的縮寫。但I(xiàn)ETF負(fù)責(zé)維護(hù)的RFC是Internet上一切規(guī)范的基礎(chǔ)。
3、UCS-2、UCS-4、BMP
UCS有兩種格式：UCS-2和UCS-4。顧名思義，UCS-2就是用兩個(gè)字節(jié)編碼，UCS-4就是用4個(gè)字節(jié)（實(shí)際上只用了31位，最高位必須為0）編碼。下面讓我們做一些簡單的數(shù)學(xué)游戲：
UCS-2有2^16=65536個(gè)碼位，UCS-4有2^31=2147483648個(gè)碼位。
UCS
-4根據(jù)最高位為0的最高字節(jié)分成2^7=128個(gè)group。每個(gè)group再根據(jù)次高字節(jié)分為256個(gè)plane。每個(gè)plane根據(jù)第3個(gè)字節(jié)分為
256行 (rows)，每行包含256個(gè)cells。當(dāng)然同一行的cells只是最后一個(gè)字節(jié)不同，其余都相同。
group 0的plane 0被稱作Basic Multilingual Plane, 即BMP�；蛘哒fUCS-4中，高兩個(gè)字節(jié)為0的碼位被稱作BMP。
將UCS-4的BMP去掉前面的兩個(gè)零字節(jié)就得到了UCS-2。在UCS-2的兩個(gè)字節(jié)前加上兩個(gè)零字節(jié)，就得到了UCS-4的BMP。而目前的UCS-4規(guī)范中還沒有任何字符被分配在BMP之外。
4、UTF編碼
UTF-8就是以8位為單元對UCS進(jìn)行編碼。從UCS-2到UTF-8的編碼方式如下：
UCS-2編碼(16進(jìn)制)UTF-8 字節(jié)流(二進(jìn)制)0000 - 007F0xxxxxxx0080 - 07FF110xxxxx 10xxxxxx0800 - FFFF1110xxxx 10xxxxxx 10xxxxxx
例如“漢”字的Unicode編碼是6C49。6C49在0800-FFFF之間，所以肯定要用3字節(jié)模板了：[color="#0000ff"]1110xxxx [color="#0000ff"]10xxxxxx [color="#0000ff"]10xxxxxx。將6C49寫成二進(jìn)制是：0110 110001 001001， 用這個(gè)比特流依次代替模板中的x，得到：[color="#0000ff"]11100110 [color="#0000ff"]10110001 [color="#0000ff"]10001001，即E6 B1 89。
讀者可以用記事本測試一下我們的編碼是否正確。
UTF
-16以16位為單元對UCS進(jìn)行編碼。對于小于0x10000的UCS碼，UTF-16編碼就等于UCS碼對應(yīng)的16位無符號(hào)整數(shù)。對于不小于
0x10000的UCS碼，定義了一個(gè)算法。不過由于實(shí)際使用的UCS2，或者UCS4的BMP必然小于0x10000，所以就目前而言，可以認(rèn)為UTF
-16和UCS-2基本相同。但UCS-2只是一個(gè)編碼方案，UTF-16卻要用于實(shí)際的傳輸，所以就不得不考慮字節(jié)序的問題。
5、UTF的字節(jié)序和BOM
UTF
-8以字節(jié)為編碼單元，沒有字節(jié)序的問題。UTF-16以兩個(gè)字節(jié)為編碼單元，在解釋一個(gè)UTF-16文本前，首先要弄清楚每個(gè)編碼單元的字節(jié)序。例如收
到一個(gè)“奎”的Unicode編碼是594E，“乙”的Unicode編碼是4E59。如果我們收到UTF-16字節(jié)流“594E”，那么這是“奎”還是
“乙”？
Unicode規(guī)范中推薦的標(biāo)記字節(jié)順序的方法是BOM。BOM不是“Bill Of Material”的BOM表，而是Byte Order Mark。BOM是一個(gè)有點(diǎn)小聰明的想法：
在UCS
編碼中有一個(gè)叫做"ZERO WIDTH NO-BREAK
SPACE"的字符，它的編碼是FEFF。而FFFE在UCS中是不存在的字符，所以不應(yīng)該出現(xiàn)在實(shí)際傳輸中。UCS規(guī)范建議我們在傳輸字節(jié)流前，先傳輸
字符"ZERO WIDTH NO-BREAK SPACE"。
這樣如果接收者收到FEFF，就表明這個(gè)字節(jié)流是Big-Endian的；如果收到FFFE，就表明這個(gè)字節(jié)流是Little-Endian的。因此字符"ZERO WIDTH NO-BREAK SPACE"又被稱作BOM。
UTF
-8不需要BOM來表明字節(jié)順序，但可以用BOM來表明編碼方式。字符"ZERO WIDTH NO-BREAK SPACE"的UTF-8編碼是EF
BB BF（讀者可以用我們前面介紹的編碼方法驗(yàn)證一下）。所以如果接收者收到以EF BB BF開頭的字節(jié)流，就知道這是UTF-8編碼了。
Windows就是使用BOM來標(biāo)記文本文件的編碼方式的。
6、進(jìn)一步的參考資料
本文主要參考的資料是 "Short overview of ISO-IEC 10646 and Unicode" (http://www.nada.kth.se/i18n/ucs/unicode-iso10646-oview.html)。
我還找了兩篇看上去不錯(cuò)的資料，不過因?yàn)槲议_始的疑問都找到了答案，所以就沒有看：

"Understanding
Unicode A general introduction to the Unicode Standard"
(http://scripts.sil.org/cms/scripts/page.php?site_id=nrsi&item_id=IWS-Chapter04a)

"Character set encoding basics
Understanding character set encodings and legacy encodings"
(http://scripts.sil.org/cms/scripts/page.php?site_id=nrsi&item_id=IWS-Chapter03)
我寫過UTF-8、UCS-2、GBK相互轉(zhuǎn)換的軟件包，包括使用Windows API和不使用Windows API的版本。以后有時(shí)間的話，我會(huì)整理一下放到我的個(gè)人主頁上(http://fmddlmyy.home4u.china.com)。
二。
GB 18030收錄了27484個(gè)漢字，總編碼空間超過150萬個(gè)碼位，為解決人名、地名用字問題提供了方案，為漢字研究、古籍整理等領(lǐng)域提供了統(tǒng)一的信息平臺(tái)基礎(chǔ)。
　　目前，我國大部分計(jì)算機(jī)系統(tǒng)仍然采用GB 2312編碼。GB 18030與GB
2312一脈相承，較好地解決了舊系統(tǒng)向新系統(tǒng)的轉(zhuǎn)換問題，并且改造成本較小。從我國信息技術(shù)和信息產(chǎn)業(yè)發(fā)展的角度出發(fā)，考慮到解決我國用戶的需要及解決
現(xiàn)有系統(tǒng)的兼容性和對多種操作系統(tǒng)的支持，采用GB 18030是我國目前較好的選擇，而GB
13000.1更適用于未來國際間的信息交換�？紤]到GB 18030和GB 13000的兼容問題，標(biāo)準(zhǔn)起草組編制了GB 18030與GB
13000.1的代碼映射表，使得兩個(gè)編碼體系可以自由轉(zhuǎn)換。同時(shí)，還開發(fā)了GB 18030基本點(diǎn)陣字型庫。
　1980年我國頒布了第一個(gè)漢字編碼字符集標(biāo)準(zhǔn)，即GB 2312-80《信息交換用漢字編碼字符集基本集》。該標(biāo)準(zhǔn)共收了6763個(gè)漢字及常用符號(hào)，奠定了中文信息處理的基礎(chǔ)。
　　隨著國際間的交流與合作的擴(kuò)大，信息處理應(yīng)用對字符集提出了多文種、大字量、多用途的要求。1993年國際標(biāo)準(zhǔn)化組織發(fā)布了ISO/IEC
10646-1《信息技術(shù)通用多八位編碼字符集第一部分體系結(jié)構(gòu)與基本多文種平面》。我國等同采用此標(biāo)準(zhǔn)制定了GB
13000.1-1993。該標(biāo)準(zhǔn)采用了全新的多文種編碼體系，收錄了中、日、韓20902個(gè)漢字，是編碼體系未來發(fā)展方向。由于其新的編碼體系與現(xiàn)有多
數(shù)操作系統(tǒng)和外部設(shè)備不兼容，所以它的實(shí)現(xiàn)仍需要有一個(gè)過程，目前還不能完全解決我國當(dāng)前應(yīng)用的迫切需要。
　　考慮到GB 13000的完全實(shí)現(xiàn)有待時(shí)日，以及GB 2312編碼體系的延續(xù)性和現(xiàn)有資源和系統(tǒng)的有效利用與過渡，我們選擇了在GB
2312(GB 2311)的基礎(chǔ)上進(jìn)行擴(kuò)充，并且在字匯上與GB
13000.1兼容的方案，研制一個(gè)新的標(biāo)準(zhǔn)——漢字編碼基本集的擴(kuò)充，進(jìn)而完善GB
2312，以滿足我國郵政、戶政、金融、地理信息系統(tǒng)等應(yīng)用的迫切需要。
另外一個(gè)很棒的帖子：
http://www.linuxsir.org/bbs/showthread.php?t=180572


本文來自ChinaUnix博客，如果查看原文請點(diǎn)：http://blog.chinaunix.net/u/6796/showart_25343.html