關於字元編碼,你所需要知道的(ASCII,Unicode,Utf-8,GB2312…)

五柳-先生發表於2016-05-17

字元編碼的問題看似很小,經常被技術人員忽視,但是很容易導致一些莫名其妙的問題。這裡總結了一下字元編碼的一些普及性的知識,希望對大家有所幫助。

還是得從ASCII碼說起

說到字元編碼,不得不說ASCII碼的簡史。計算機一開始發明的時候是用來解決數字計算的問題,後來人們發現,計算機還可以做更多的事,例如文字處理。但由於計算機只識“數”,因此人們必須告訴計算機哪個數字來代表哪個特定字元,例如65代表字母‘A’,66代表字母‘B’,以此類推。但是計算機之間字元-數字的對應關係必須得一致,否則就會造成同一段數字在不同計算機上顯示出來的字元不一樣。因此美國國家標準協會ANSI制定了一個標準,規定了常用字元的集合以及每個字元對應的編號,這就是ASCII字符集(Character Set),也稱ASCII碼。

當時的計算機普遍使用8位元位元組作為最小的儲存和處理單元,加之當時用到的字元也很少,26個大小寫英文字母還有數字再加上其他常用符號,也不到100個,因此使用7個位元位就可以高效的儲存和處理ASCII碼,剩下最高位1位元被用作一些通訊系統的奇偶校驗。

注意,位元組代表系統能夠處理的最小單位,不一定是8位元。只是現代計算機的事實標準就是用8位元來代表一個位元組。在很多技術規格文獻中,為了避免產生歧義,更傾向於使用8位組(Octet)而不是位元組(Byte)這個術語來強調8個位元的二進位制流。下文中為了便於理解,我會延用大家熟悉的“位元組”這個概念。

ASCII table

ASCII字符集由95個可列印字元(0x20-0x7E)和33個控制字元(0x00-0x19,0x7F)組成。可列印字元用於顯示在輸出裝置上,例如熒屏或者列印紙上,控制字元用於向計算機發出一些特殊指令,例如0x07會讓計算機發出嗶的一聲,0x00通常用於指示字串的結束,0x0D和0x0A用於指示印表機的列印針頭退到行首(回車)並移到下一行(換行)。

那時候的字元編解碼系統非常簡單,就是簡單的查表過程。例如將字元序列編碼為二進位制流寫入儲存裝置,只需要在ASCII字符集中依次找到字元對應的位元組,然後直接將該位元組寫入儲存裝置即可。解碼二進位制流的過程也是類似。

OEM字符集的衍生

當計算機開始發展起來的時候,人們逐漸發現,ASCII字符集裡那可憐的128個字元已經不能再滿足他們的需求了。人們就在想,一個位元組能夠表示的數字(編號)有256個,而ASCII字元只用到了0x00~0x7F,也就是佔用了前128個,後面128個數字不用白不用,因此很多人打起了後面這128個數字的主意。可是問題在於,很多人同時有這樣的想法,但是大家對於0x80-0xFF這後面的128個數字分別對應什麼樣的字元,卻有各自的想法。這就導致了當時銷往世界各地的機器上出現了大量各式各樣的OEM字符集。

下面這張表是IBM-PC機推出的其中一個OEM字符集,字符集的前128個字元和ASCII字符集的基本一致(為什麼說基本一致呢,是因為前32個控制字元在某些情況下會被IBM-PC機當作可列印字元解釋),後面128個字元空間加入了一些歐洲國家用到的重音字元,以及一些用於畫線條畫的字元。

IBM-PC OEM字符集

事實上,大部分OEM字符集是相容ASCII字符集的,也就是說,大家對於0x00~0x7F這個範圍的解釋基本是相同的,而對於後半部分0x80~0xFF的解釋卻不一定相同。甚至有時候同樣的字元在不同OEM字符集中對應的位元組也是不同的。

不同的OEM字符集導致人們無法跨機器交流各種文件。例如職員甲發了一封簡歷résumés給職員乙,結果職員乙看到的卻是r?sum?s,因為é字元在職員甲機器上的OEM字符集中對應的位元組是0x82,而在職員乙的機器上,由於使用的OEM字符集不同,對0x82位元組解碼後得到的字元卻是?

多位元組字符集(MBCS)和中文字符集

上面我們提到的字符集都是基於單位元組編碼,也就是說,一個位元組翻譯成一個字元。這對於拉丁語系國家來說可能沒有什麼問題,因為他們通過擴充套件第8個位元,就可以得到256個字元了,足夠用了。但是對於亞洲國家來說,256個字元是遠遠不夠用的。因此這些國家的人為了用上電腦,又要保持和ASCII字符集的相容,就發明了多位元組編碼方式,相應的字符集就稱為多位元組字符集。例如中國使用的就是雙位元組字符集編碼(DBCS,Double Byte Character Set)。

對於單位元組字符集來說,內碼表中只需要有一張碼錶即可,上面記錄著256個數字代表的字元。程式只需要做簡單的查表操作就可以完成編解碼的過程。

內碼表是字符集編碼的具體實現,你可以把他理解為一張“字元-位元組”對映表,通過查表實現“字元-位元組”的翻譯。下面會有更詳細的描述。

而對於多位元組字符集,內碼表中通常會有很多碼錶。那麼程式怎麼知道該使用哪張碼錶去解碼二進位制流呢?答案是,根據第一個位元組來選擇不同的碼錶進行解析

例如目前最常用的中文字符集GB2312,涵蓋了所有簡體字元以及一部分其他字元;GBK(K代表擴充套件的意思)則在GB2312的基礎上加入了對繁體字元等其他非簡體字元(GB18030字符集不是雙位元組字符集,我們在講Unicode的時候會提到)。這兩個字符集的字元都是使用1-2個位元組來表示。Windows系統採用936內碼表來實現對GBK字符集的編解碼。在解析位元組流的時候,如果遇到位元組的最高位是0的話,那麼就使用936內碼表中的第1張碼錶進行解碼,這就和單位元組字符集的編解碼方式一致了。

image

當位元組的高位是1的時候,確切的說,當第一個位元組位於0x81–0xFE之間時,根據第一個位元組不同找到內碼表中的相應的碼錶,例如當第一個位元組是0x81,那麼對應936中的下面這張碼錶:

image

(關於936內碼表中完整的碼錶資訊,參見MSDN:http://msdn.microsoft.com/en-us/library/cc194913%28v=MSDN.10%29.aspx.)

按照936內碼表的碼錶,當程式遇到連續位元組流0x81 0x40的時候,就會解碼為“丂”字元。

ANSI標準、國家標準、ISO標準

不同ASCII衍生字符集的出現,讓文件交流變得非常困難,因此各種組織都陸續進行了標準化流程。例如美國ANSI組織制定了ANSI標準字元編碼(注意,我們現在通常說到ANSI編碼,通常指的是平臺的預設編碼,例如英文作業系統中是ISO-8859-1,中文系統是GBK),ISO組織制定的各種ISO標準字元編碼,還有各國也會制定一些國家標準字符集,例如中國的GBK,GB2312和GB18030。

作業系統在釋出的時候,通常會往機器裡預裝這些標準的字符集還有平臺專用的字符集,這樣只要你的文件是使用標準字符集編寫的,通用性就比較高了。例如你用GB2312字符集編寫的文件,在中國大陸內的任何機器上都能正確顯示。同時,我們也可以在一臺機器上閱讀多個國家不同語言的文件了,前提是本機必須安裝該文件使用的字符集。

Unicode的出現

雖然通過使用不同字符集,我們可以在一臺機器上查閱不同語言的文件,但是我們仍然無法解決一個問題:在一份文件中顯示所有字元。為了解決這個問題,我們需要一個全人類達成共識的巨大的字符集,這就是Unicode字符集。

Unicode字符集概述

Unicode字符集涵蓋了目前人類使用的所有字元,併為每個字元進行統一編號,分配唯一的字元碼(Code Point)。Unicode字符集將所有字元按照使用上的頻繁度劃分為17個層面(Plane),每個層面上有216=65536個字元碼空間。

image

其中第0個層面BMP,基本涵蓋了當今世界用到的所有字元。其他的層面要麼是用來表示一些遠古時期的文字,要麼是留作擴充套件。我們平常用到的Unicode字元,一般都是位於BMP層面上的。目前Unicode字符集中尚有大量字元空間未使用。

編碼系統的變化

在Unicode出現之前,所有的字符集都是和具體編碼方案繫結在一起的,都是直接將字元和最終位元組流繫結死了,例如ASCII編碼系統規定使用7位元來編碼ASCII字符集;GB2312以及GBK字符集,限定了使用最多2個位元組來編碼所有字元,並且規定了位元組序。這樣的編碼系統通常用簡單的查表,也就是通過內碼表就可以直接將字元對映為儲存裝置上的位元組流了。例如下面這個例子:

image

這種方式的缺點在於,字元和位元組流之間耦合得太緊密了,從而限定了字符集的擴充套件能力。假設以後火星人入住地球了,要往現有字符集中加入火星文就變得很難甚至不可能了,而且很容易破壞現有的編碼規則。

因此Unicode在設計上考慮到了這一點,將字符集和字元編碼方案分離開。

字元編碼系統

也就是說,雖然每個字元在Unicode字符集中都能找到唯一確定的編號(字元碼,又稱Unicode碼),但是決定最終位元組流的卻是具體的字元編碼。例如同樣是對Unicode字元“A”進行編碼,UTF-8字元編碼得到的位元組流是0x41,而UTF-16(大端模式)得到的是0x00 0x41。

常見的Unicode編碼

UCS-2/UTF-16

如果要我們來實現Unicode字符集中BMP字元的編碼方案,我們會怎麼實現?由於BMP層面上有216=65536個字元碼,因此我們只需要兩個位元組就可以完全表示這所有的字元了。

舉個例子,“中”的Unicode字元碼是0x4E2D(01001110 00101101),那麼我們可以編碼為01001110 00101101(大端)或者00101101 01001110 (小端)。

UCS-2和UTF-16對於BMP層面的字元均是使用2個位元組來表示,並且編碼得到的結果完全一致。不同之處在於,UCS-2最初設計的時候只考慮到BMP字元,因此使用固定2個位元組長度,也就是說,他無法表示Unicode其他層面上的字元,而UTF-16為了解除這個限制,支援Unicode全字符集的編解碼,採用了變長編碼,最少使用2個位元組,如果要編碼BMP以外的字元,則需要4個位元組結對,這裡就不討論那麼遠,有興趣可以參考維基百科:UTF-16/UCS-2

Windows從NT時代開始就採用了UTF-16編碼,很多流行的程式設計平臺,例如.Net,Java,Qt還有Mac下的Cocoa等都是使用UTF-16作為基礎的字元編碼。例如程式碼中的字串,在記憶體中相應的位元組流就是用UTF-16編碼過的。

UTF-8

UTF-8應該是目前應用最廣泛的一種Unicode編碼方案。由於UCS-2/UTF-16對於ASCII字元使用兩個位元組進行編碼,儲存和處理效率相對低下,並且由於ASCII字元經過UTF-16編碼後得到的兩個位元組,高位元組始終是0x00,很多C語言的函式都將此位元組視為字串末尾從而導致無法正確解析文字。因此一開始推出的時候遭到很多西方國家的牴觸,大大影響了Unicode的推行。後來聰明的人們發明了UTF-8編碼,解決了這個問題。

UTF-8編碼方案採用1-4個位元組來編碼字元,方法其實也非常簡單。

image

(上圖中的x代表Unicode碼的低8位,y代表高8位)

對於ASCII字元的編碼使用單位元組,和ASCII編碼一摸一樣,這樣所有原先使用ASCII編解碼的文件就可以直接轉到UTF-8編碼了。對於其他字元,則使用2-4個位元組來表示,其中,首位元組前置1的數目代表正確解析所需要的位元組數,剩餘位元組的高2位始終是10。例如首位元組是1110yyyy,前置有3個1,說明正確解析總共需要3個位元組,需要和後面2個以10開頭的位元組結合才能正確解析得到字元

關於UTF-8的更多資訊,參考維基百科:UTF-8

GB18030

任何能夠將Unicode字元對映為位元組流的編碼都屬於Unicode編碼。中國的GB18030編碼,覆蓋了Unicode所有的字元,因此也算是一種Unicode編碼。只不過他的編碼方式並不像UTF-8或者UTF-16一樣,將Unicode字元的編號通過一定的規則進行轉換,而只能通過查表的手段進行編碼。

關於GB18030的更多資訊,參考:GB18030

Unicode相關的常見問題

Unicode是兩個位元組嗎?

Unicode只是定義了一個龐大的、全球通用的字符集,併為每個字元規定了唯一確定的編號,具體儲存為什麼樣的位元組流,取決於字元編碼方案。推薦的Unicode編碼是UTF-16和UTF-8。

帶簽名的UTF-8指的是什麼意思?

帶簽名指的是位元組流以BOM標記開始。很多軟體會“智慧”的探測當前位元組流使用的字元編碼,這種探測過程出於效率考慮,通常會提取位元組流前面若干個位元組,看看是否符合某些常見字元編碼的編碼規則。由於UTF-8和ASCII編碼對於純英文的編碼是一樣的,無法區分開來,因此通過在位元組流最前面新增BOM標記可以告訴軟體,當前使用的是Unicode編碼,判別成功率就十分準確了。但是需要注意,不是所有軟體或者程式都能正確處理BOM標記,例如PHP就不會檢測BOM標記,直接把它當普通位元組流解析了。因此如果你的PHP檔案是採用帶BOM標記的UTF-8進行編碼的,那麼有可能會出現問題。

Unicode編碼和以前的字符集編碼有什麼區別?

早期字元編碼、字符集和內碼表等概念都是表達同一個意思。例如GB2312字符集、GB2312編碼,936內碼表,實際上說的是同個東西。但是對於Unicode則不同,Unicode字符集只是定義了字元的集合和唯一編號,Unicode編碼,則是對UTF-8、UCS-2/UTF-16等具體編碼方案的統稱而已,並不是具體的編碼方案。所以當需要用到字元編碼的時候,你可以寫gb2312,codepage936,utf-8,utf-16,但請不要寫unicode(看過別人在網頁的meta標籤裡頭寫charset=unicode,有感而發)。

亂碼問題

亂碼指的是程式顯示出來的字元文字無法用任何語言去解讀。一般情況下會包含大量解碼失敗替換字元或者?。亂碼問題是所有計算機使用者或多或少會遇到的問題。造成亂碼的原因就是因為使用了錯誤的字元編碼去解碼位元組流因此當我們在思考任何跟文字顯示有關的問題時,請時刻保持清醒:當前使用的字元編碼是什麼。只有這樣,我們才能正確分析和處理亂碼問題。

例如最常見的網頁亂碼問題。如果你是網站技術人員,遇到這樣的問題,需要檢查以下原因:

  • 伺服器返回的響應頭Content-Type沒有指明字元編碼
  • 網頁內是否使用META HTTP-EQUIV標籤指定了字元編碼
  • 網頁檔案本身儲存時使用的字元編碼和網頁宣告的字元編碼是否一致

image image

注意,網頁解析的過程如果使用的字元編碼不正確,還可能會導致指令碼或者樣式表出錯。具體細節可以參考我以前寫過的文章:文件字符集導致的指令碼錯誤Asp.Net頁面的編碼問題

不久前看到某技術論壇有人反饋,WinForm程式使用Clipboard類的GetData方法去訪問剪下板中的HTML內容時會出現亂碼的問題,我估計也是由於WinForm在獲取HTML文字的時候沒有用對正確的字元編碼導致的。Windows剪貼簿只支援UTF-8編碼,也就是說你傳入的文字都會被UTF-8編解碼。這樣一來,只要兩個程式都是呼叫Windows剪下板API程式設計的話,那麼複製貼上的過程中不會出現亂碼。除非一方在獲取到剪貼簿資料之後使用了錯誤的字元編碼進行解碼,才會得到亂碼(我做了簡單的WinForm剪下板程式設計實驗,發現GetData使用的是系統預設編碼,而不是UTF-8編碼)。

關於亂碼中出現?或者?,這裡需要額外提一下,當程式使用特定字元編碼解析位元組流的時候,一旦遇到無法解析的位元組流時,就會用解碼失敗替換字元或者?來替代。因此,一旦你最終解析得到的文字包含這樣的字元,而你又無法得到原始位元組流的時候,說明正確的資訊已經徹底丟失了,嘗試任何字元編碼都無法從這樣的字元文字中還原出正確的資訊來

必要的術語解釋

字符集(Character Set),字面上的理解就是字元的集合,例如ASCII字符集,定義了128個字元;GB2312定義了7445個字元。而計算機系統中提到的字符集準確來說,指的是已編號的字元的有序集合(不一定是連續)

字元碼(Code Point)指的就是字符集中每個字元的數字編號。例如ASCII字符集用0-127這連續的128個數字分別表示128個字元;GBK字符集使用區位碼的方式為每個字元編號,首先定義一個94X94的矩陣,行稱為“區”,列稱為“位”,然後將所有國標漢字放入矩陣當中,這樣每個漢字就可以用唯一的“區位”碼來標識了。例如“中”字被放到54區第48位,因此字元碼就是5448。而Unicode中將字符集按照一定的類別劃分到0~16這17個層面(Planes)中,每個層面中擁有216=65536個字元碼,因此Unicode總共擁有的字元碼,也即是Unicode的字元空間總共有17*65536=1114112。

image

編碼的過程是將字元轉換成位元組流。

解碼的過程是將位元組流解析為字元。

字元編碼(Character Encoding)是將字符集中的字元碼對映為位元組流的一種具體實現方案。例如ASCII字元編碼規定使用單位元組中低位的7個位元去編碼所有的字元。例如‘A’的編號是65,用單位元組表示就是0x41,因此寫入儲存裝置的時候就是b’01000001’。GBK編碼則是將區位碼(GBK的字元碼)中的區碼和位碼的分別加上0xA0(160)的偏移(之所以要加上這樣的偏移,主要是為了和ASCII碼相容),例如剛剛提到的“中”字,區位碼是5448,十六進位制是0x3630,區碼和位碼分別加上0xA0的偏移之後就得到0xD6D0,這就是“中”字的GBK編碼結果。

內碼表(Code Page)一種字元編碼具體形式。早期字元相對少,因此通常會使用類似表格的形式將字元直接對映為位元組流,然後通過查表的方式來實現字元的編解碼。現代作業系統沿用了這種方式。例如Windows使用936內碼表、Mac系統使用EUC-CN內碼表實現GBK字符集的編碼,名字雖然不一樣,但對於同一漢字的編碼肯定是一樣的。

大小端的說法源自《格列佛遊記》。我們知道,雞蛋通常一端大一端小,小人國的人們對於剝蛋殼時應從哪一端開始剝起有著不一樣的看法。同樣,計算機界對於傳輸多位元組字(由多個位元組來共同表示一個資料型別)時,是先傳高位位元組(大端)還是先傳低位位元組(小端)也有著不一樣的看法,這就是計算機裡頭大小端模式的由來了。無論是寫檔案還是網路傳輸,實際上都是往流裝置進行寫操作的過程,而且這個寫操作是從流的低地址向高地址開始寫(這很符合人的習慣),對於多位元組字來說,如果先寫入高位位元組,則稱作大端模式。反之則稱作小端模式。也就是說,大端模式下,位元組序和流裝置的地址順序是相反的,而小端模式則是相同的。一般網路協議都採用大端模式進行傳輸,windows作業系統採用Utf-16小端模式。

——Kevin Yang

參考連結:

  • http://en.wikipedia.org/wiki/Code_page
  • http://www.imkevinyang.com/2010/06/%E5%85%B3%E4%BA%8E%E5%AD%97%E7%AC%A6%E7%BC%96%E7%A0%81%EF%BC%8C%E4%BD%A0%E6%89%80%E9%9C%80%E8%A6%81%E7%9F%A5%E9%81%93%E7%9A%84.html

相關文章