中文化和國際化問題權(quán)威解析之一字符編碼發(fā)展歷程

1、.中文化和國際化問題權(quán)威解析之一 字符編碼發(fā)展歷程前幾天看文初的精武門之Web安全研討會首日感受，說到利用字符集攻擊時提到以前寶寶寫的一篇有關(guān)國際化的文章，趁機(jī)再次拜讀了寶寶的這篇大作，不得不感慨寶寶的寫作功底，無敵！這么好的文章不分享出來實在是太可惜了，在此將寶寶的大作轉(zhuǎn)帖于此；作者序在我開發(fā)Java程序的幾年中，遇到得最多，也是別人向我提問最多的問題，就是各種各樣看似稀奇古怪的中文亂碼問題了。網(wǎng)上也有許多解釋和解決Java中文問題的文章，但水平參差不齊，有一些文章甚至是錯誤的。此外，我們公司自己的Java程序從一開始就采用了錯誤的方式處理中文問題，雖能解一時之急，卻引出了越來越多的深遠(yuǎn)的問

2、題。每當(dāng)我聽到有的同事還在討論如何特殊處理雙字節(jié)的中文GB碼，就感慨他們思路的狹隘。試問，今天我們可以用特殊的方式處理我們所熟悉的中文編碼，可是今后我們怎樣才能應(yīng)付日文版、韓文版、或世界其它國家語言的產(chǎn)品開發(fā)呢?在我看來，與其說這些問題是"中文化問題"，不如說是"國際化問題"。所謂的"漢化"這種說法已經(jīng)隨時代遠(yuǎn)去了。想想看，這個詞帶有明顯的小農(nóng)經(jīng)濟(jì)的色彩：自家漢化自家用，哪管世界變化多。經(jīng)過漢化的軟件，常常意味著：版本落后、不兼容、不穩(wěn)定。為什么會這樣呢?根本原因是，從軟件的設(shè)計階段，就沒有考慮國際用戶的需要，沒有采用國際通用的標(biāo)準(zhǔn)。

3、事后要彌補自然難上加難。所以讓我們把眼光放開，想一想"國際化"。當(dāng)然國際化的目的還是生產(chǎn)出"漢化"的軟件，但我們可以用同樣的方法"韓化"、"日化"、"阿拉伯化"，統(tǒng)稱為"本地化"-這就是"國際化"的目的。國際化和本地化有兩個很體面的英文縮寫：I18n(Internationalization)和L10n(Localization)。想要開發(fā)出國際化的軟件產(chǎn)品，首先要了解國際標(biāo)準(zhǔn)，而不是使用東拼西湊的權(quán)宜之計。本文首先從相關(guān)國際標(biāo)準(zhǔn)的討論切入，相信正確地理解

4、和應(yīng)用這些標(biāo)準(zhǔn)，所有的"中文化問題"或"國際化問題"都會迎刃而解。字符編碼簡介ASCII碼從學(xué)計算機(jī)的那天開始，老師就告訴我們在計算機(jī)里面，所有的英文字母都對應(yīng)到一個數(shù)字編碼，這就是ASCII碼(American Standard Code for Information Interchange)。ASCII碼是很久很久以前(1968年)制定的。它只使用了一個8位字節(jié)中的低7位，總共是127個編碼位。這樣的方案很快就不夠使用了。單字節(jié)編碼的發(fā)展在80年代早期，一些現(xiàn)在流行的標(biāo)準(zhǔn)(如ISO 8859和Unicode)還未出現(xiàn)。那時為了支持多種地區(qū)的語言，各

5、大組織機(jī)構(gòu)或IT廠商開始發(fā)明它們自己的編碼方案，以便彌補ASCII編碼的不足。一時間，各種互不相容的字符編碼方案成百花齊放之勢。為了避免混亂，ISO組織在1998年之后，陸續(xù)發(fā)表了一系列代號為8859的標(biāo)準(zhǔn)，作為ASCII編碼的標(biāo)準(zhǔn)擴(kuò)展，終于統(tǒng)一了單字節(jié)的西方字符的編碼。ISO是設(shè)在瑞士的國際標(biāo)準(zhǔn)化組織的簡稱(International Organization for Standardization)。ISO-8859-1(Latin1-西歐字符)ISO-8859-1覆蓋了大多數(shù)西歐語言，包括：法國、西班牙、葡萄牙、意大利、荷蘭、德國、丹麥、瑞典、挪威、芬蘭、冰島、愛爾蘭、蘇格蘭、英格蘭等，

6、因而也涉及到了整個美洲大陸、澳大利亞和非洲很多國家的語言。此外，ISO-8859-1后來被采納為ISO-10646標(biāo)準(zhǔn)(后面會講到)的首頁，換句話說，Unicode的最開頭256個字符編碼和ISO-8859-1是一一對應(yīng)的。正是由于這個特殊性，使很多人產(chǎn)生了對ISO-8859-1編碼的誤用。ISO-8859標(biāo)準(zhǔn)還包括：ISO-8859-2(Latin2-中、東歐字符)ISO-8859-3(Latin3-南歐字符)ISO-8859-4(Latin4-北歐字符)ISO-8859-5(Cyrillic-斯拉夫語)ISO-8859-6(Arabic-阿拉伯語)ISO-8859-7(Greek-希臘語)

7、ISO-8859-8(Hebrew-希伯來語)ISO-8859-9(Latin5)ISO-8859-10(Latin6)ISO-8859-11(Thai-泰國語)ISO-8859-12(保留)ISO-8859-13(Latin7)ISO-8859-14(Latin8)ISO-8859-15(Latin9)但是ISO 8859系列標(biāo)準(zhǔn)的字符編碼，還是互不相容，不可能同時使用的。畢竟它們只是單字節(jié)的編碼方案。而且，它們和多字節(jié)的編碼方案如中文編碼GB2312和BIG5也是不相容的。那些歐洲字符(最高位為1的字符)，在GB2312和BIG5中被認(rèn)為是雙字節(jié)漢字編碼的首字節(jié)。多字節(jié)編碼的發(fā)展單字節(jié)編碼

8、只有256個碼位(28=256)，而中文字符何止千千萬，單字節(jié)編碼不可能滿足中文編碼的需要。于是為了適應(yīng)東方文字信息處理的需要，ISO又制定了ISO 2022標(biāo)準(zhǔn)(Character code structure and extension techniques)，提供了七位與八位編碼字符集的擴(kuò)充方法的標(biāo)準(zhǔn)。我國根據(jù)ISO 2022制定了國家標(biāo)準(zhǔn)GB2311-信息交換用七位編碼字符集的擴(kuò)充方法，并根據(jù)該標(biāo)準(zhǔn)制定了國家標(biāo)準(zhǔn)GB2312-80編碼。其他東方國家和地區(qū)也制定了各自的字符編碼標(biāo)準(zhǔn)，如日本的JIS0208，韓國的KSC5601，臺灣地區(qū)的CNS11643等。BIG5 BIG5是從CNS1

9、1643的早期版本發(fā)展而來的，雖然沒有包括CNS11643的全部內(nèi)容，但卻是目前臺灣、香港地區(qū)普遍使用的一種繁體漢字的市場標(biāo)準(zhǔn)，包括440個符號，一級漢字5401個、二級漢字7652個，共計13060個漢字。GB2312-80全稱是信息交換用漢字編碼字符集基本集，1980年發(fā)布，是中文信息處理的國家標(biāo)準(zhǔn)，在大陸及海外使用簡體中文的地區(qū)(如新加坡等)是強(qiáng)制使用的唯一中文編碼。·雙字節(jié)編碼·A1-A9：符號區(qū)，包含682個符號·B0-F7：漢字區(qū)，包含6763個漢字GB2312碼共收錄6763個簡體漢字、682個符號，其中漢字部分：一級字3755，以拼音排序，二級字3

10、008，以偏旁排序。該標(biāo)準(zhǔn)的制定和應(yīng)用為規(guī)范、推動中文信息化進(jìn)程起了很大作用。GBK漢字內(nèi)碼擴(kuò)展規(guī)范(GBK)是國家技術(shù)監(jiān)督局1995年為中文Windows 95所制定的新的漢字內(nèi)碼規(guī)范。·雙字節(jié)編碼，GB2312-80的擴(kuò)充，在碼位上和GB2312-80兼容。·范圍：8140FEFE(剔除xx7F)共23940個碼位。·包含21003個漢字，包含了ISO 10646中的全部中日韓漢字，簡、繁體字融于一庫。嚴(yán)格說，GBK不能算是國家標(biāo)準(zhǔn)，最多算是一個商業(yè)標(biāo)準(zhǔn)。而GB18030才是真正的國家標(biāo)準(zhǔn)。GB18030-2000全稱是信息交換用漢字編碼字符集，是我國的強(qiáng)制標(biāo)

11、準(zhǔn)，所有不支持GB18030標(biāo)準(zhǔn)的軟件將不能作為產(chǎn)品出售。·單字節(jié)、雙字節(jié)、四字節(jié)編碼。·向下與GB2312編碼兼容。·支持GB 13000.1-1993中的全部中、日、韓(CJK)統(tǒng)一漢字字符和全部CJK統(tǒng)一漢字?jǐn)U展A的字符。雖然GB18030標(biāo)準(zhǔn)非常強(qiáng)大，但它是一個中國大陸的標(biāo)準(zhǔn)。在編碼上，除了和GB2312以外，還是不能和世界上其它任何一種字符編碼統(tǒng)一。終極標(biāo)準(zhǔn)-Unicode和ISO 10646前面所講的一切字符編碼方案，都是針對局部地區(qū)或少數(shù)語言文字的，沒有辦法同時表達(dá)所有的語言文字，或在多種語言平臺上交換。這對今天極其頻繁的國際信息交流是不相稱的。為了

12、提高計算機(jī)的信息處理和交換功能，使得世界各國的文字都能在計算機(jī)中處理，從1984年起，ISO組織就開始研究制定一個全新的標(biāo)準(zhǔn)：通用多八位編碼字符集(Universal Multiple-Octet Coded Character Set)，簡稱UCS。標(biāo)準(zhǔn)的編號為：ISO 10646。這一標(biāo)準(zhǔn)為世界各種主要語言的字符(包括簡體及繁體的中文字)及附加符號，編制統(tǒng)一的內(nèi)碼。統(tǒng)一碼(Unicode)是Universal Code的縮寫，是由另一個叫"Unicode學(xué)術(shù)學(xué)會"(The Unicode Consortium)的機(jī)構(gòu)制定的字符編碼系統(tǒng)。Unicode與ISO 10646

13、國際編碼標(biāo)準(zhǔn)從內(nèi)容上來說是同步一致的。Unicode是Java語言和XML的基礎(chǔ)，所以我們要稍微詳細(xì)地介紹一下Unicode以及ISO 10646標(biāo)準(zhǔn)。注意：不夠耐心的讀者可以跳過本章的余下部分。但顯然了解本章所描述的Unicode及相關(guān)編碼的技術(shù)細(xì)節(jié)，有利于你更好地理解和應(yīng)用Unicode。Unicode和ISO 10646的關(guān)系在1991年，Unicode學(xué)術(shù)學(xué)會與ISO國際標(biāo)準(zhǔn)化組織決定共同制訂一套適用于多種語言文本的通用編碼標(biāo)準(zhǔn)。Unicode與ISO 10646國際編碼標(biāo)準(zhǔn)于1992年1月正式合作發(fā)展一套通用編碼標(biāo)準(zhǔn)。自此，兩個組織便一直緊密合作，同步發(fā)展Unicode及ISO 10

14、646國際編碼標(biāo)準(zhǔn)。ISO 10646(UCS)Unicode 1993年，ISO組織發(fā)表ISO 10646國際編碼標(biāo)準(zhǔn)的第一個版本，全名是ISO/IEC 10646-1：1993。它收錄了20902個表意字符(ideograph，中日韓文均屬表意字符)。同年，Unicode學(xué)術(shù)學(xué)會根據(jù)ISO/IEC 10646-1：1993修訂了Unicode 1.0，發(fā)布Unicode 1.1。不斷改善和修訂ISO 10646標(biāo)準(zhǔn)。1996年發(fā)表Unicode 2.0，1998年發(fā)表Unicode 2.1，根據(jù)ISO 10646做了一些改善和修訂，新增了歐元符號。2000年10月發(fā)表了ISO 10646第

15、二版的第一部分：ISO/IEC 10646-1：2000，新增收了6,582個表意字符于擴(kuò)展區(qū)A中(CJK Unified Ideographs Extension A)。2000年2月，發(fā)表Unicode 3.0，也包含了同樣的CJK Ext A。2001年，發(fā)表了ISO/IEC 10646的第二部分，增收了42711個表意字符于擴(kuò)展區(qū)B里。2001年，Unicode發(fā)表3.1版，將CJK Ext B納入新版Unicode中。雖然兩個組織保持如此密切的合作關(guān)系，但Unicode和ISO 10646還是有區(qū)別的。ISO 10646著重定義字符編碼，而Unicode則在此基礎(chǔ)上，為這些字符及編碼

16、數(shù)據(jù)提出應(yīng)用的方法以及對語義數(shù)據(jù)作補充。UCS的結(jié)構(gòu)UCS的結(jié)構(gòu)是一個四維的編碼空間，每一維由一個字節(jié)(八位二進(jìn)制位)組成，范圍是00到FF?？傮w上分為128個群組(Group 00-7F)，每一群組由256個平面(Plane 00-FF)組成，每一平面有256行(Row 00-FF)，每一行256個編碼位(Cell 00-FF)。所以，每一平面包括65,536個字符位(Character Position 0000-FFFF)。整個編碼字符集的每個字符都由4個字節(jié)，按"組-面-行-列"的順序表示。所以UCS的可編碼空間為：128×256×256

17、5;256=231。UCS將其第一個平面(00群組中的00平面)稱作基本多語種平面(Basic Multilingual Plane，BMP)。在UCS中，目前只有00組是重要的，Unicode學(xué)術(shù)學(xué)會斷言，在可以預(yù)見的將來，甚至不可能用完00組中的前17個平面(00平面到10平面)。因此，Unicode只定義了ISO 10646的第00組的前17個平面。事實上，目前絕大多數(shù)字符，都分配在第00平面BMP中。下表中列出了BMP中的字符分配情況：區(qū)間描述(0000-1FFF)基本拼音字符區(qū)包括所有拼讀文字的字母拼音和音標(biāo)。它的字符集一般較小，如：拉丁文、西里爾文、希臘文、希伯來文、阿拉伯文、泰文

18、、天成文書(梵文)等。(2000-28FF)符號區(qū)包括許多種用于標(biāo)點、數(shù)學(xué)、化學(xué)、科技及其它特殊用途上的"符號"和"丁貝符"(示意圖形符號)。(2E80-33FF)中日韓語音及符號區(qū)包括用于中國、日本、韓國語言中的標(biāo)點、符號、字根(筆畫)及發(fā)音等字符。(3400-9FA5)中日韓漢字字符區(qū)由27,484個中日韓(越)的統(tǒng)一漢字組成。(A000-A4C6)彝族字符區(qū)由1,165個中國南方彝族音節(jié)和50個其字根組成。(AC00-D7A3)韓字符拼音區(qū)由11,172個預(yù)先組合的韓字符拼音音節(jié)組成。(D800-DFFF)代理區(qū)這個區(qū)被平分為1024個"

19、高半代理區(qū)"(D800-DBFF)碼位和1024個"低半代理區(qū)"(DC00-DFFF)碼位，用來形成代理對，可以得到超過一百萬個擴(kuò)充編碼位。(E000-F8FF)私人專用區(qū)包含6,400個編碼位，用于用戶或開發(fā)商自行定義的字符編碼。(F900-FA2D)兼容字符區(qū)包括一些被許多行業(yè)協(xié)會和國家標(biāo)準(zhǔn)廣泛使用的字符，但在Unicode編碼中有不同的表現(xiàn)形式。包含一些專用字符。UCS的表現(xiàn)形式UCS有兩種方式來表示一個字符編碼：四字節(jié)正規(guī)形式(UCS-4，F(xiàn)our-octet canonical form)和雙字節(jié)基本平面形式(UCS-2，Two-octet BMP fo

20、rm)。UCS-4-四字節(jié)正規(guī)形式UCS-4用4個字節(jié)來表示一個字符。第一個字節(jié)表示組(Group)，第二表示平面(Plane)，第三表示行(Row)，第四表示單元號或列(Cell)。UCS-2-雙字節(jié)基本平面形式當(dāng)系統(tǒng)只使用BMP的字符碼時，可以省略群組和平面中的八位，將字符碼由32個位縮短為16個位(2個字節(jié))。標(biāo)記為UCS-2。Unicode和UCS-2同樣采用16位編碼。所以一般可以把Unicode和UCS-2看作是同一樣?xùn)|西。代理對(Surrogate Pair)UCS-4定義了4個字節(jié)表示一個字符，用來應(yīng)付將來的擴(kuò)展是綽綽有余?？墒荱nicode和UCS-2只定義了2個字節(jié)，卻很容

21、易用盡。代理對(Surrogate Pair)的設(shè)計在這種背景下應(yīng)運而生。UCS-2在BMP中開辟了一個特殊的區(qū)間(D800-DFFF)-代理區(qū)，并平分成兩個區(qū)，分別稱為高半代理區(qū)(High-half Zone，D800-DBFF)，和低半代理區(qū)(Low-half Zone，DC00-DFFF)，各有1024個碼位。使用時，從高低兩個代理區(qū)中各取一個編碼組成一個四字節(jié)的代理，來表示一個在BMP以外平面上的編碼字符位。這樣一來，總共可以多表示1024×1024個字符，映射到00群組中的01到10平面(共16個平面)。代理對提供了用BMP的2字節(jié)編碼來表示在基本多文種平面(BMP)之外的

22、16個平面編碼的機(jī)制。一些不常用的字符可以用代理對表示。目前，只有ISO/IEC 10646-2：2001和Unicode 3.1才使用到代理對。高半代理區(qū)和低半代理區(qū)的劃分，使編碼位相互區(qū)分開。非代理區(qū)字符一定不會在這個區(qū)里。因為高半代理區(qū)和低半代理區(qū)不相交，所以很容易決定字符值的邊界。一個完好的文本中，高半代理碼和低半代理碼總是按先后成對出現(xiàn)。如果在實現(xiàn)上沒有刪除代理碼或在代理碼對中插入字符，數(shù)據(jù)的完整性就可得到保證。即使數(shù)據(jù)有殘損，也只是局部的。一個殘缺的碼只影響一個字符。因為高半代理區(qū)和低半代理區(qū)不相交，且成對出現(xiàn)，錯碼不會傳到文本的其它部分。具體來說，一個代理對(H，L)由碼值為D8

23、00-DBFF的高半代理碼H和碼值為DC00-DFFF低半代理碼L組成。將一個字符映射到UCS-4碼位中。假設(shè)N是UCS-4碼值，則有：(以下所有數(shù)字均為16進(jìn)制)N=(H-D800)×400+(L-DC00)+10000于是得到N的碼值為10000到10FFFF。注意Unicode 3.0沒有用到代理對，直到3.1才增加了CJK Ext B，用到了02平面，需要使用代理對才能訪問。但99.99%的情況下，根本用不到那些字。此外，JDK1.4只支持到Unicode 3.0，所以目前Java還不能應(yīng)用代理對。UTF編碼UTF為UCS Transformation Format的縮寫，意

24、為"UCS轉(zhuǎn)換格式"。UCS只是一個字形和內(nèi)碼上的標(biāo)準(zhǔn)，并沒有定義實際在計算機(jī)上存取的方法，而UTF便定義了一整套的計算機(jī)存取UCS編碼的轉(zhuǎn)換格式，并考慮了與其它編碼方式兼容。常用的格式有UTF-8和UTF-16。有時也用到UTF-7來進(jìn)行7位數(shù)據(jù)傳輸。UTF-16 UTF-16是用定長16位(2字節(jié))來表示的UCS-2或Unicode轉(zhuǎn)換格式。它將Unicode的編碼值變成2字節(jié)的Big-endian(高位字節(jié)在前，低位字節(jié)在后)或Little-endian(低位字節(jié)在前，高位字節(jié)在后)編碼。UTF-16利用代理對來訪問BMP之外的字符編碼。Java使用Big-endia

25、n系統(tǒng)，而Intel系列處理器內(nèi)部使用Little-endian系統(tǒng)(學(xué)匯編語言和C語言的人都知道)。例如："中國"兩字，Unicode是4E2D 56FD，在Windows上用UTF-16編碼，結(jié)果為四個字節(jié)：2D 4E FD 56；如果使用Java輸出，結(jié)果為：4E 2D 56 FD。使用UTF-16有什么缺點呢?很顯然，1.所有原本1個字節(jié)就可以表示的西方字符，現(xiàn)在要用2個字節(jié)來表示，體積大了一倍。2.學(xué)過C的人都知道，0x00代表C字符串的結(jié)尾。但是用UTF-16來表示單字節(jié)字符(ISO-8859-1)時，高位字節(jié)為0x00。這樣就會使C語言庫函數(shù)發(fā)生誤判。用UTF

26、-16表示文件名、網(wǎng)址等，全引出無數(shù)的問題。3.字符的邊界不好找。程序處理時必須從字符串的頭部開始掃描，才可能正確地找出一個字符的邊界，效率較低。此外，萬一壞掉一個字節(jié)，這個字節(jié)之后的字符都會錯位，壞掉一片。所有的這些問題，在UTF-8中都不存在。但是，UTF-16也有其天然的優(yōu)點：它直接表現(xiàn)了字符編碼的整數(shù)值。所以UTF-16是最直接的Unicode表示法。此外，它是定長的，這大大簡化了字符串的操作。Java語言就是用UTF-16格式將字符存儲在內(nèi)存中的。正是這樣，才使Java的Unicode字符串的操作格外簡單高效。UTF-8 UTF-8使用了變長技術(shù)，在每一個編碼區(qū)域有不同的字碼長度：1

27、.對UCS-2，由1字節(jié)至3字節(jié)構(gòu)成；2.如果UCS-2使用了代理對，則UTF-8最長可到4字節(jié)；3.對UCS-4，由1字節(jié)至6字節(jié)構(gòu)成。因為以字節(jié)(8位)為組成單元，故稱為"UTF-8"。對于英文文本，UTF-8的文件大小比其它轉(zhuǎn)換格式都小。在UTF-8內(nèi)，字符由1個至6個字節(jié)為組合。下表列舉出了不同范圍的UCS碼轉(zhuǎn)換成UTF-8的規(guī)則。英文字母"x"代表可以用來記錄Unicode碼值的區(qū)域。UCS-4區(qū)域(十六進(jìn)制)UTF-8字節(jié)組合(二進(jìn)制)0000 0000-0000 007F 0xxxxxxx 0000 0080-0000 07FF 110xxxxx 10xxxxxx 0000 0800-0000 FFFF 1110xxxx 10xxxxxx 10xxxxxx 0001 0000-001F FFFF 11110xxx 10xxxxxx 10xxxxxx 10xxxxxx 0020 0000-03FF FFFF 111110 xx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx 0400 0000-7FFF FFFF 11