UTF-8:Unicode TransformationFormat-8bit,允許含BOM,但通常不含BOM。是用以解國際上字元的一種多位元組編碼,它對英文使用8位元(即一個位元組),中文使用24為(三個位元組)來編碼。 UTF-8包含全世界所有國家需要用到的字符,是國際編碼,通用性強。 UTF-8編碼的文字可以在各國支援UTF8字元集的瀏覽器上顯示。如,如果是UTF8編碼,則在外國人的英文IE上也能顯示中文,他們無需下載IE的中文語言支援包。
GBK是國家標準GB2312基礎上擴容後相容GB2312的標準。 GBK的文字編碼是用雙字節來表示的,即不論中、英文字符均使用雙字節來表示,為了區分中文,將其最高位都設定成1。 GBK包含全部中文字符,是國家編碼,通用性比UTF8差,不過UTF8佔用的資料庫比GBD大。
GBK、GB2312等與UTF8之間都必須透過Unicode編碼才能相互轉換:
GBK、GB2312--Unicode--UTF8
UTF8--Unicode--GBK、GB2312
對於一個網站、論壇來說,如果英文字元較多,則建議使用UTF-8節省空間。不過現在很多論壇的插件一般只支援GBK。
個編碼的區別詳細解釋簡單來說,unicode,gbk和大五碼就是編碼的值,而utf-8,uft-16之類就是這個值的表現形式.而前面那三種編碼是一相容的,同一個漢字,那三個碼值是完全不一樣的.如」漢」的uncode值與gbk就是不一樣的,假設uncode為a040,gbk為b030,而uft-8碼,就是把那個值表現的形式. utf-8碼完全只針對uncode來組織的,如果GBK要轉UTF-8必須先轉uncode碼,再轉utf-8就OK了.
詳細的就見下面轉的這篇文章.
談談Unicode編碼,簡單解釋UCS、UTF、BMP、BOM等名詞這是一篇程式設計師寫給程式設計師的趣味讀物。所謂趣味是指可以比較輕鬆地了解一些原本不清楚的概念,增進知識,類似打RPG遊戲的升級。整理這篇文章的動機是兩個問題:
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換。或可直接到http://www.knowsky.com/tools/utf8.asp進行線上轉換。
同樣是txt文件,Windows是怎麼辨識編碼方式的呢?
我很早前就發現Unicode、Unicode bigendian和UTF-8編碼的txt檔案的開頭會多出幾個位元組,分別是FF、FE(Unicode),FE、FF(Unicode bigendian),EF、BB、BF (UTF-8)。但這些標記是基於什麼標準呢?
問題二:
最近在網路上看到一個ConvertUTF.c,實現了UTF-32、UTF-16和UTF-8這三種編碼方式的相互轉換。對於Unicode(UCS2)、GBK、UTF-8這些編碼方式,我原來就了解。但這個程序讓我有些糊塗,想不起來UTF-16和UCS2有什麼關係。
查了一下相關資料,總算將這些問題弄清楚了,順帶也了解了一些Unicode的細節。寫成一篇文章,送給有類似疑問的朋友。本文在寫作時盡量做到簡單易懂,但要求讀者知道什麼是字節,什麼是十六進制。
0、big endian和little endian
big endian和littleendian是CPU處理多位元組數的不同方式。例如「漢」字的Unicode編碼是6C49。那麼寫到文件裡時,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。如果將49寫在前面,就是little endian。
「endian」這個字出自《格列佛遊記》。小人國的內戰就源於吃雞蛋時是究竟從大頭(Big-Endian)敲開還是從小頭(Little-Endian)敲開,由此曾發生過六次叛亂,一個皇帝送了命,另一個丟了王位。
我們一般將endian翻譯成“字節序”,將big endian和little endian稱為“大尾”和“小尾”。
1.字元編碼、內碼,順帶介紹漢字編碼字元必須編碼後才能被電腦處理。計算機使用的預設編碼方式就是計算機的內碼。早期的電腦使用7位元的ASCII編碼,為了處理漢字,程式設計師設計了用於簡體中文的GB2312和用於繁體中文的big5。
IETF的RFC2781和RFC3629以RFC的一貫風格,清晰、明快又不失嚴謹地描述了UTF-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IETF負責維護的RFC是Internet上一切規範的基礎。
2.1、內碼和code page
目前Windows的核心已經支援Unicode字元集,這樣在核心上可以支援全世界所有的語言文字。但由於現有的大量程式和文件都採用了某種特定語言的編碼,例如GBK,Windows不可能不支援現有的編碼,而全部改用Unicode。
Windows使用代碼頁(code page)來適應各國和地區。 code page可以被理解為前面提到的內碼。 GBK對應的code page是CP936。
微軟也為GB18030定義了code page:CP54936。但由於GB18030有一部分4位元組編碼,而Windows的代碼頁只支援單字節和雙位元組編碼,所以這個code page是無法真正使用的。
3、UCS-2、UCS-4、BMP
UCS有兩種格式:UCS-2和UCS-4。顧名思義,UCS-2就是用兩個位元組編碼,UCS-4就是用4個位元組(實際上只用了31位,最高位元必須為0)編碼。下面讓我們來做一些簡單的數學遊戲:
UCS-2有2^16=65536個碼位,UCS-4有2^31=2147483648個碼位。
UCS-4依最高位元為0的最高位元組分成2^7=128個group。每個group再依次高位元組分為256個plane。每個plane依第3個位元組分為256行(rows),每行包含256個cells。當然同一行的cells只是最後一個位元組不同,其餘都相同。
group 0的plane 0被稱為Basic Multilingual Plane, 即BMP。或者說UCS-4中,高兩個位元組為0的碼位被稱為BMP。
將UCS-4的BMP去掉前面的兩個零位元組就得到了UCS-2。在UCS-2的兩個位元組前加上兩個零位元組,就得到了UCS-4的BMP。而目前的UCS-4規範中還沒有任何字元被分配在BMP之外。
4、UTF編碼
UTF-8就是以8位元為單元對UCS進行編碼。從UCS-2到UTF-8的編碼方式如下:
UCS-2編碼(16進位) UTF-8 位元組流(二進位)
0000 - 007F 0xxxxxxx
0080 - 07FF 110xxxxx 10xxxxxx
0800 - FFFF 1110xxxx 10xxxxxx 10xxxxxx
例如「漢」字的Unicode編碼是6C49。6C49在0800-FFFF之間,所以一定要用3位元組模板了:1110xxxx 10xxxxxx10xxxxxx。將6C49寫成二進位是:0110 110001 001001, 用這個位元流依序取代模板中的x,得到:1110011010110001 10001001,即E6 B1 89。
讀者可以用記事本來測試我們的編碼是否正確。需要注意,UltraEdit在開啟utf-8編碼的文字檔案時會自動轉換為UTF-16,可能會產生混淆。你可以在設定中關掉這個選項。更好的工具是Hex Workshop。
UTF-16以16位元為單元對UCS進行編碼。對於小於0x10000的UCS碼,UTF-16編碼就等於UCS碼對應的16位元無符號整數。對於不小於0x10000的UCS碼,定義了一個演算法。不過由於實際使用的UCS2,或是UCS4的BMP必然小於0x10000,所以就目前而言,可以認為UTF-16和UCS-2基本上相同。但UCS-2只是一個編碼方案,UTF-16卻要用於實際的傳輸,所以就得考慮位元組序的問題。
5、UTF的字節序和BOM
UTF-8以位元組為編碼單元,沒有位元組序的問題。 UTF-16以兩個位元組為編碼單元,在解釋一個UTF-16文本前,首先要弄清楚每個編碼單元的位元組序。例如「奎」的Unicode編碼是594E,「乙」的Unicode編碼是4E59。如果我們收到UTF-16位元組流“594E”,那麼這是“奎”還是“乙”?
Unicode規格中建議的標記位元組順序的方法是BOM。 BOM不是「Bill Of Material」的BOM表,而是Byte order Mark。 BOM是個有點小又聰明的想法:
在UCS編碼中有一個叫做"ZERO WIDTH NO-BREAKSPACE"的字符,它的編碼是FEFF。而FFFE在UCS中是不存在的字符,所以就不應該出現在實際傳輸中。 UCS規範建議我們在傳輸位元組流前,先傳送字元"ZERO WIDTH NO-BREAK SPACE"。
這樣如果接收者收到FEFF,就表示這個位元組流是Big-Endian的;如果收到FFFE,就表示這個位元組流是Little-Endian的。因此字元"ZERO WIDTH NO-BREAK SPACE"又被稱為BOM。
UTF-8不需要BOM來表示位元組順序,但可以用BOM來表示編碼方式。字元"ZERO WIDTH NO-BREAKSPACE"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證一下)。所以如果接收者收到以EF BBBF開頭的位元組流,就知道這是UTF-8編碼了。
Windows就是使用BOM來標記文字檔的編碼方式的。
6.進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的資料,不過因為我開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相互轉換的軟體包,包括使用Windows API和不使用Windows API的版本。以後有時間的話,我會整理一下放到我的個人主頁上( http://fmddlmyy.home4u.china.com )。
我是想清楚所有問題後才開始寫這篇文章的,原以為一會兒就能寫好。沒想到考慮措辭和查證細節花了很長時間,竟然從下午1:30寫到9:00。希望有讀者能從中受益。
附錄1 再說說區碼、GB2312、內碼和代碼頁有的朋友對文章中這句話還有疑問:
“GB2312的原文還是區位碼,從區位碼到內碼,需要在高字節和低字節上分別加上A0。”
我再詳細解釋一下:
「GB2312的原文」是指國家1980年的一個標準《中華人民共和國國家標準資訊交換用漢字編碼字符集基本集GB2312-80》。這個標準用兩個數字來編碼漢字和中文符號。第一個數稱為“區”,第二個數稱為“位元”。所以也稱為區位碼。 1-9區是中文符號,16-55區是一級漢字,56-87區是二級漢字。現在Windows也還有區位輸入法,例如輸入1601得到「啊」。 (這個區位輸入法可以自動辨識16進位的GB2312和10進位的區位碼,也就是說輸入B0A1同樣會得到「啊」。)
內碼是指作業系統內部的字元編碼。早期作業系統的內碼是與語言相關的。現在的Windows在系統內部支援Unicode,然後用程式碼頁適應各種語言,「內碼」的概念就比較模糊了。微軟一般將預設代碼頁指定的編碼說成是內碼。
內碼這個詞彙,並沒有什麼官方的定義,代碼頁也只是微軟這個公司的叫法。身為程式設計師,我們只要知道它們是什麼東西,沒有必要過度考證這些名詞。
所謂代碼頁(code page)就是針對一種語言文字的字元編碼。例如GBK的code page是CP936,BIG5的code page是CP950,GB2312的code page是CP20936。
Windows中有預設代碼頁的概念,即預設用什麼編碼來解釋字元。例如Windows的記事本打開了一個文字文件,裡面的內容就是一個位元組流:BA、BA、D7、D6。 Windows該去怎麼解釋它呢?
是依照Unicode編碼解釋、還是依照GBK解釋、還是依照BIG5解釋,還是依照ISO8859-1去解釋?如果按GBK去解釋,就會得到「漢字」兩個字。按照其它編碼解釋,可能找不到對應的字符,也可能找到錯誤的字符。所謂「錯誤」是指與文本作者的本意不符,這時就產生了亂碼。
答案是Windows按照目前的預設代碼頁去解釋文字檔案裡的位元組流。預設代碼頁可以透過控制面板的區域選項設定。記事本的另存為中有一項ANSI,其實就是依照預設代碼頁的編碼方法來保存。
Windows的內碼是Unicode,它在技術上可以同時支援多個代碼頁。只要檔案能說明自己使用什麼編碼,使用者又安裝了對應的程式碼頁,Windows就能正確顯示,例如在HTML檔案中就可以指定charset。
有的HTML文件作者,特別是英文作者,認為世界上所有人都使用英文,在文件中不指定charset。如果他使用了0x80-0xff之間的字符,中文Windows又按照缺省的GBK去解釋,就會出現亂碼。這時只要在這個html檔中加上指定charset的語句,例如:
<meta http-equiv="Content-Type" content="text/html; charset=ISO8859-1">
如果原作者使用的代碼頁和ISO8859-1相容,就不會出現亂碼了。
再說區位碼,啊的區位碼是1601,寫成16進位是0x10,0x01。這和電腦廣泛使用的ASCII編碼衝突。為了相容於00-7f的ASCII編碼,我們在區位碼的高、低位元組上分別加上A0。這樣「啊」的編碼就變成B0A1。我們將加過兩個A0的編碼也稱為GB2312編碼,雖然GB2312的原文根本沒提到這一點。