符號編碼-ASCII、Unicode、Unicode big endian、UTF-8之間的關係（轉）

1. ASCII 碼

我們知道，在計算機內部，所有的資訊最終都表示為一個二進位制的字串。每一個二進位制位（ bit ）有 0 和 1 兩種狀態，因此八個二進位制位就可以組合出 256 種狀態，這被稱為一個位元組（ byte ）。也就是說，一個位元組一共可以用來表示 256 種不同的狀態，每一個狀態對應一個符號，就是 256 個符號，從 0000000 到 11111111 。

上個世紀 60 年代，美國製定了一套字元編碼，對英語字元與二進位制位之間的關係，做了統一規定。這被稱為 ASCII 碼，一直沿用至今。

ASCII 碼一共規定了 128 個字元的編碼，比如空格 “SPACE” 是 32 （二進位制 00100000 ），大寫的字母 A 是 65（二進位制 01000001 ）。這 128 個符號（包括 32 個不能列印出來的控制符號），只佔用了一個位元組的後面 7 位，最前面的 1 位統一規定為 0 。

2 、非 ASCII 編碼

英語用 128 個符號編碼就夠了，但是用來表示其他語言， 128 個符號是不夠的。比如，在法語中，字母上方有注音符號，它就無法用 ASCII 碼錶示。 於是，一些歐洲國家就決定，利用位元組中閒置的最高位編入新的符號。比如，法語中的 é 的編碼為 130 （二進位制 10000010 ）。這樣一來，這些歐洲國家使 用的編碼體系，可以表示最多 256 個符號。

但是，這裡又出現了新的問題。不同的國家有不同的字母，因此，哪怕它們都使用 256 個符號的編碼方式，代表的字母卻不一樣。比如， 130 在法語編碼 中代表了 é ，在希伯來語編碼中卻代表了字母 Gimel ( ?0?4 ) ，在俄語編碼中又會代表另一個符號。但是不管怎樣，所有這些編碼方式中， 0—127 表示的符號是一樣的，不一樣的只是 128—255 的這一段。

至於亞洲國家的文字，使用的符號就更多了，漢字就多達 10 萬左右。一個位元組只能表示 256 種符號，肯定是不夠的，就必須使用多個位元組表達一個符號。 比如，簡體中文常見的編碼方式是 GB2312 ，使用兩個位元組表示一個漢字，所以理論上最多可以表示 256x256=65536 個符號。

中文編碼的問題需要專文討論，這篇筆記不涉及。這裡只指出，雖然都是用多個位元組表示一個符號，但是 GB 類的漢字編碼與後文的 Unicode 和 UTF-8 是毫無關係的。

3.Unicode

正如上一節所說，世界上存在著多種編碼方式，同一個二進位制數字可以被解釋成不同的符號。因此，要想開啟一個文字檔案，就必須知道它的編碼方式，否則用錯誤的編碼方式解讀，就會出現亂碼。為什麼電子郵件常常出現亂碼？就是因為發信人和收信人使用的編碼方式不一樣。

可以想象，如果有一種編碼，將世界上所有的符號都納入其中。每一個符號都給予一個獨一無二的編碼，那麼亂碼問題就會消失。這就是 Unicode ，就像它的名字都表示的，這是一種所有符號的編碼。

Unicode 當然是一個很大的集合，現在的規模可以容納 100 多萬個符號。每個符號的編碼都不一樣，比如， U+0639 表示阿拉伯字母 Ain ， U+0041 表示英語的大寫字母 A ， U+4E25 表示漢字 “ 嚴 ” 。具體的符號對應表，可以查詢 unicode.org ，或者專門的 漢字對應表 。

4. Unicode 的問題

需要注意的是， Unicode 只是一個符號集，它只規定了符號的二進位制程式碼，卻沒有規定這個二進位制程式碼應該如何儲存。

比如，漢字 “ 嚴 ” 的 unicode 是十六進位制數 4E25 ，轉換成二進位制數足足有 15 位（ 100111000100101 ），也就是說這個符號的表示至少需要 2 個位元組。表示其他更大的符號，可能需要 3 個位元組或者 4 個位元組，甚至更多。

這裡就有兩個嚴重的問題，第一個問題是，如何才能區別 unicode 和 ascii ？計算機怎麼知道三個位元組表示一個符號，而不是分別表示三個符號 呢？第二個問題是，我們已經知道，英文字母只用一個位元組表示就夠了，如果 unicode 統一規定，每個符號用三個或四個位元組表示，那麼每個英文字母前都必 然有二到三個位元組是 0 ，這對於儲存來說是極大的浪費，文字檔案的大小會因此大出二三倍，這是無法接受的。

它們造成的結果是： 1 ）出現了 unicode 的多種儲存方式，也就是說有許多種不同的二進位制格式，可以用來表示 unicode 。 2 ） unicode 在很長一段時間內無法推廣，直到網際網路的出現。

5.UTF-8

網際網路的普及，強烈要求出現一種統一的編碼方式。 UTF-8 就是在網際網路上使用最廣的一種 unicode 的實現方式。其他實現方式還包括 UTF-16 和 UTF-32 ，不過在網際網路上基本不用。重複一遍，這裡的關係是， UTF-8 是 Unicode 的實現方式之一。

UTF-8 最大的一個特點，就是它是一種變長的編碼方式。它可以使用 1~4 個位元組表示一個符號，根據不同的符號而變化位元組長度。

UTF-8 的編碼規則很簡單，只有二條：

1 ）對於單位元組的符號，位元組的第一位設為 0 ，後面 7 位為這個符號的 unicode 碼。因此對於英語字母， UTF-8 編碼和 ASCII 碼是相同的。

2 ）對於 n 位元組的符號（ n>1 ），第一個位元組的前 n 位都設為 1 ，第 n+1 位設為 0 ，後面位元組的前兩位一律設為10 。剩下的沒有提及的二進位制位，全部為這個符號的 unicode 碼。

下表總結了編碼規則，字母 x 表示可用編碼的位。

Unicode 符號範圍 | UTF-8 編碼方式 
( 十六進位制 ) | （二進位制） 
--------------------+---------------------------------------------
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

下面，還是以漢字 “ 嚴 ” 為例，演示如何實現 UTF-8 編碼。

已知 “ 嚴 ” 的 unicode 是 4E25 （ 100111000100101 ），根據上表，可以發現 4E25 處在第三行的範圍內（ 0000 0800-0000 FFFF ），因此 “ 嚴 ” 的 UTF-8 編碼需要三個位元組，即格式是 “1110xxxx 10xxxxxx 10xxxxxx” 。然後，從 “ 嚴 ” 的最後一個二進位制位開始，依次從後向前填入格式中的 x ，多出的位補 0 。這樣就得到了， “ 嚴 ” 的 UTF-8 編碼是 “11100100 10111000 10100101” ，轉換成十六進位制就是 E4B8A5 。

6. Unicode 與 UTF-8 之間的轉換

通過上一節的例子，可以看到 “ 嚴 ” 的 Unicode 碼是 4E25 ， UTF-8 編碼是 E4B8A5 ，兩者是不一樣的。它們之間的轉換可以通過程式實現。

在 Windows 平臺下，有一個最簡單的轉化方法，就是使用內建的記事本小程式 Notepad.exe 。開啟檔案後，點選 “ 檔案 ” 選單中的 “ 另存為 ” 命令，會跳出一個對話方塊，在最底部有一個 “ 編碼 ” 的下拉條。

裡面有四個選項： ANSI ， Unicode ， Unicode big endian 和 UTF-8 。

1 ） ANSI 是預設的編碼方式。對於英文檔案是 ASCII 編碼，對於簡體中文檔案是 GB2312 編碼（只針對 Windows 簡體中文版，如果是繁體中文版會採用 Big5碼 ）。

2 ） Unicode 編碼指的是 UCS-2 編碼方式，即直接用兩個位元組存入字元的 Unicode 碼。這個選項用的 little endian 格式。

3 ） Unicode big endian 編碼與上一個選項相對應。我在下一節會解釋 little endian 和 big endian 的涵義。

4 ） UTF-8 編碼，也就是上一節談到的編碼方法。

選擇完 ” 編碼方式 “ 後，點選 ” 儲存 “ 按鈕，檔案的編碼方式就立刻轉換好了。

7. Little endian 和 Big endian

上一節已經提到， Unicode 碼可以採用 UCS-2 格式直接儲存。以漢字 ” 嚴 “ 為例， Unicode 碼是 4E25 ，需要用兩個位元組儲存，一個位元組 是 4E ，另一個位元組是 25 。儲存的時候， 4E 在前， 25 在後，就是 Big endian 方式； 25 在前， 4E 在後，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《格列佛遊記》。在該書中，小人國裡爆發了內戰，戰爭起因是人們爭論，吃雞蛋時究竟是從大頭 (Big- Endian) 敲開還是從小頭 (Little-Endian) 敲開。為了這件事情，前後爆發了六次戰爭，一個皇帝送了命，另一個皇帝丟了王位。

因此，第一個位元組在前，就是 ” 大頭方式 “ （ Big endian ），第二個位元組在前就是 ” 小頭方式 “ （ Little endian ）。

那麼很自然的，就會出現一個問題：計算機怎麼知道某一個檔案到底採用哪一種方式編碼？

Unicode 規範中定義，每一個檔案的最前面分別加入一個表示編碼順序的字元，這個字元的名字叫做 ” 零寬度非換行空格 “ （ ZERO WIDTH NO-BREAK SPACE ），用 FEFF 表示。這正好是兩個位元組，而且 FF 比 FE 大 1 。

如果一個文字檔案的頭兩個位元組是 FE FF ，就表示該檔案採用大頭方式；如果頭兩個位元組是 FF FE ，就表示該檔案採用小頭方式。

8. 例項

下面，舉一個例項。

開啟 ” 記事本 “ 程式 Notepad.exe ，新建一個文字檔案，內容就是一個 ” 嚴 “ 字，依次採用 ANSI ， Unicode ， Unicode big endian 和 UTF-8 編碼方式儲存。

然後，用文字編輯軟體 UltraEdit 中 的 ” 十六進位制功能 “ ，觀察該檔案的內部編碼方式。

1 ） ANSI ：檔案的編碼就是兩個位元組 “D1 CF” ，這正是 “ 嚴 ” 的 GB2312 編碼，這也暗示 GB2312 是採用大頭方式儲存的。

2 ） Unicode ：編碼是四個位元組 “FF FE 25 4E” ，其中 “FF FE” 表明是小頭方式儲存，真正的編碼是 4E25 。

3 ） Unicode big endian ：編碼是四個位元組 “FE FF 4E 25” ，其中 “FE FF” 表明是大頭方式儲存。

4 ） UTF-8 ：編碼是六個位元組 “EF BB BF E4 B8 A5” ，前三個位元組 “EF BB BF” 表示這是 UTF-8 編碼，後三個 “E4B8A5” 就是 “ 嚴 ” 的具體編碼，它的儲存順序與編碼順序是一致的。