學(xué)習(xí)電腦信息UltraEdit引出的字符編碼問題

Page7UltraEdit引出的字符編碼問題一．關(guān)于各種編碼文件標(biāo)記頭各種編碼文件開頭UTF-8以

EFBBBFUTF-16以

FEFF(big-endian)

FFFF(little-endian)UNICODE以FFFE一．各種編碼對(duì)于中文：各種編碼對(duì)于中文：ASCII

中文2個(gè)字節(jié)；英文：1個(gè)字節(jié)UNICODE

中文2個(gè)字節(jié)；英文：2個(gè)字節(jié)UTF-8

中文3個(gè)字節(jié)；英文：1個(gè)字節(jié)

(開頭有2個(gè)字節(jié)表示長(zhǎng)度)二．中國(guó)的各種編碼表示ASCII

中國(guó)--D6D0B9FA

A--61UTF-8

中國(guó)--E4E8ADE59BBD61

A--61UNICODE

中國(guó)--FFFE2D4EFD56

A--6100三．關(guān)于UltraEdit的問題1.用UNICODE編輯可以看到，默認(rèn)的存儲(chǔ)是ansi。用記事本的另存為即可看到其真實(shí)的存儲(chǔ)格式。2.UltraEdit打開utf-8會(huì)默認(rèn)的用UNICODE方式來顯示，我們要轉(zhuǎn)化為ASCII顯示，這樣就能看到真實(shí)的utf編碼了.在ASCII編輯模式下，會(huì)將utf-8編碼當(dāng)作gb2312來顯示。3.關(guān)于各種轉(zhuǎn)化.對(duì)于UNICODE/UTF-8轉(zhuǎn)UTF-8（UNICODE編輯），我們可以看到中文字符，但是卻看不到UTF-8的16進(jìn)制表示，看到的都是UNICODE,因?yàn)閁ltraEdit會(huì)做內(nèi)部轉(zhuǎn)換。對(duì)于UNICODE/ASCII/UTF-8-8轉(zhuǎn)UTF-8-8（ASCII編輯），我們可以看到UTF-8-8的真實(shí)16進(jìn)制表示，但是卻看不到中文字符的正常顯示。4.

關(guān)于

中國(guó)a中國(guó)中國(guó)（6中文1英文）倘不出問題，用ASCII轉(zhuǎn)UTF-8-8（UNICODE編輯），這時(shí)在UNICODE中看到的文字的16進(jìn)制編碼是UNICODE格式，因?yàn)槭荱NICODE編輯的。但是保存卻是UTF-8格式保存的。例如：中國(guó)a中國(guó)中國(guó)

6中文1英文

用ASCII轉(zhuǎn)UTF-8-8(ASCII編輯)用UltraEdit打開選擇全部文字看到的是14字節(jié)，大小卻為16字節(jié)，因?yàn)槎嗔藘蓚€(gè)字節(jié)FFFE；保存文件之后看到的卻是19字節(jié)，看樣子UTF-8-8的EFBBBF的標(biāo)記頭并沒有存儲(chǔ)哦。

四．關(guān)于聯(lián)通在記事本中的錯(cuò)誤顯示問題在一些早期的UTF-8文件中并不要求確定要用EFBBBF的標(biāo)記頭，而是依據(jù)UTF-8-8的數(shù)據(jù)特征來推斷。所以出現(xiàn)了聯(lián)通和聯(lián)的錯(cuò)誤顯示，因?yàn)閷⑵湔J(rèn)為是UTF-8格式編碼。其檢測(cè)里面全部字符是否遵循某種規(guī)則，而不僅僅是幾個(gè)。所以聯(lián)想就可以被正確識(shí)別，因?yàn)?想"不遵循UTF-8規(guī)則，而“聯(lián)通”兩個(gè)字都遵循UTF-8規(guī)則.

談?wù)刄nicode編碼，簡(jiǎn)要說明UCS、UTF、BMP、BOM等名詞

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晰的概念，增進(jìn)學(xué)問，類似于打RPG嬉戲的升級(jí)。整理這篇文章的動(dòng)機(jī)是兩個(gè)問題：

問題一：

運(yùn)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)覺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(duì)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。

查了查相關(guān)資料，終于將這些問題弄清晰了，順帶也了解了一些Unicode的細(xì)微環(huán)節(jié)。寫成一篇文章，送給有過類似疑問的摯友。本文在寫作時(shí)盡量做到通俗易懂，但要求讀者知道什么是字節(jié)，什么是十六進(jìn)制。

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)，原委是將6C寫在前面，還是將49寫在前面？假如將6C寫在前面，就是big

endian。假如將49寫在前面，就是little

endian。

“endian”這個(gè)詞出自《格列佛游記》。小人國(guó)的內(nèi)戰(zhàn)就源于吃雞蛋時(shí)是原委從大頭(Big-Endian)敲開還是從小頭(Little-Endian)敲開，由此曾發(fā)生過六次叛亂，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

字符必需編碼后才能被計(jì)算機(jī)處理。計(jì)算機(jī)運(yùn)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)運(yùn)用7位的ASCII編碼，為了處理漢字，程序員設(shè)計(jì)了用于簡(jiǎn)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。

從ASCII、GB2312到GBK，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。依據(jù)程序員的稱呼，GB2312、GBK都屬于雙字節(jié)字符集

(DBCS)。

2000年的GB18030是取代GBK1.0的正式國(guó)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。從漢字字匯上說，GB18030在GB13000.1的20902個(gè)漢字的基礎(chǔ)上增加了CJK擴(kuò)展A的6582個(gè)漢字（Unicode碼0x3400-0x4db5），一共收錄了27484個(gè)漢字。

CJK就是中日韓的意思。Unicode為了節(jié)約碼位，將中日韓三國(guó)語言中的文字統(tǒng)一編碼。GB13000.1就是ISO/IEC

10646-1的中文版，相當(dāng)于Unicode

1.1。

GB18030的編碼采納單字節(jié)、雙字節(jié)和4字節(jié)方案。其中單字節(jié)、雙字節(jié)和GBK是完全兼容的。4字節(jié)編碼的碼位就是收錄了CJK擴(kuò)展A的6582個(gè)漢字。

例如：UCS的0x3400在GB18030中的編碼應(yīng)當(dāng)是8139EF30，UCS的0x3401在GB18030中的編碼應(yīng)當(dāng)是8139EF31。

微軟供應(yīng)了GB18030的升級(jí)包，但這個(gè)升級(jí)包只是供應(yīng)了一套支持CJK擴(kuò)展A的6582個(gè)漢字的新字體：新宋體-18030，并不變更內(nèi)碼。Windows

的內(nèi)碼仍舊是GBK。

這里還有一些細(xì)微環(huán)節(jié)：

GB2312的原文還是區(qū)位碼，從區(qū)位碼到內(nèi)碼，須要在高字節(jié)和低字節(jié)上分別加上A0。

對(duì)于任何字符編碼，編碼單元的依次是由編碼方案指定的，與endian無關(guān)。例如GBK的編碼單元是字節(jié)，用兩個(gè)字節(jié)表示一個(gè)漢字。

這兩個(gè)字節(jié)的依次是固定的，不受CPU字節(jié)序的影響。UTF-16的編碼單元是word（雙字節(jié)），word之間的依次是編碼方案指定的，word內(nèi)部的字節(jié)排列才會(huì)受到endian的影響。后面還會(huì)介紹UTF-16。

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（更精確地說，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(guó)際組織設(shè)計(jì)，可以容納全世界全部語言文字的編碼方案。Unicode的學(xué)名是"Universal

Multiple-Octet

Coded

Character

Set"，簡(jiǎn)稱為UCS。UCS可以看作是"Unicode

Character

Set"的縮寫。

依據(jù)維基百科全書(:///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(guó)際標(biāo)準(zhǔn)化組織（ISO）和一個(gè)軟件制造商的協(xié)會(huì)（）。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，雙方都相識(shí)到世界不須要兩個(gè)不兼容的字符集。于是它們起先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起先，Unicode項(xiàng)目采納了與ISO

10646-1相同的字庫(kù)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ISO

10646-3:2003。

UCS只是規(guī)定如何編碼，并沒有規(guī)定如何傳輸、保存這個(gè)編碼。例如“漢”字的UCS編碼是6C49，我可以用4個(gè)ascii數(shù)字來傳輸、保存這個(gè)編碼；也可以用utf-8編碼:3個(gè)連續(xù)的字節(jié)E6

B1

89來表示它。關(guān)鍵在于通信雙方都要認(rèn)可。UTF-8、UTF-7、UTF-16都是被廣泛接受的方案。UTF-8的一個(gè)特殊的好處是它與ISO-8859-1完全兼容。UTF是“UCS

Transformation

Format”的縮寫。

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)。

2.1、內(nèi)碼和code

page

目前Windows的內(nèi)核已經(jīng)支持Unicode字符集，這樣在內(nèi)核上可以支持全世界全部的語言文字。但是由于現(xiàn)有的大量程序和文檔都采納了某種特定語言的編碼，例如GBK，Windows不行能不支持現(xiàn)有的編碼，而全部改用Unicode。

Windows運(yùn)用代碼頁(yè)(code

page)來適應(yīng)各個(gè)國(guó)家和地區(qū)。code

page可以被理解為前面提到的內(nèi)碼。GBK對(duì)應(yīng)的code

page是CP936。

微軟也為GB18030定義了code

page：CP54936。但是由于GB18030有一部分4字節(jié)編碼，而Windows的代碼頁(yè)只支持單字節(jié)和雙字節(jié)編碼，所以這個(gè)code

page是無法真正運(yùn)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(gè)字節(jié)編碼，UCS-4就是用4個(gè)字節(jié)（事實(shí)上只用了31位，最高位必需為0）編碼。下面讓我們做一些簡(jiǎn)潔的數(shù)學(xué)嬉戲：

UCS-2有2^16=65536個(gè)碼位，UCS-4有2^31=2147483648個(gè)碼位。

UCS-4依據(jù)最高位為0的最高字節(jié)分成2^7=128個(gè)group。每個(gè)group再依據(jù)次高字節(jié)分為256個(gè)plane。每個(gè)plane依據(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只是最終一個(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安排在BMP之外。

4、UTF編碼

UTF-8就是以8位為單元對(duì)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

-

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，所以確定要用3字節(jié)模板了：1110xxxx

10xxxxxx

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：11100110

10110001

10001001，即E6

B1

89。

讀者可以用記事本測(cè)試一下我們的編碼是否正確。須要留意，UltraEdit在打開utf-8編碼的文本文件時(shí)會(huì)自動(dòng)轉(zhuǎn)換為UTF-16，可能產(chǎn)生混淆。你可以在設(shè)置中關(guān)掉這個(gè)選項(xiàng)。更好的工具是Hex

Workshop。

UTF-16以16位為單元對(duì)UCS進(jìn)行編碼。對(duì)于小于0x10000的UCS碼，UTF-16編碼就等于UCS碼對(duì)應(yīng)的16位無符號(hào)整數(shù)。對(duì)于不小于0x10000的UCS碼，定義了一個(gè)算法。不過由于實(shí)際運(yùn)用的UCS2，或者UCS4的BMP必定小于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，在說明一個(gè)UTF-16文本前，首先要弄清晰每個(gè)編碼單元的字節(jié)序。例如“奎”的Unicode編碼是594E，“乙”的Unicode編碼是4E59。假如我們收到UTF-16字節(jié)流“594E”，那么這是“奎”還是“乙”？

Unicode規(guī)范中舉薦的標(biāo)記字節(jié)依次的方法是BOM。BOM不是“Bill

Of

Material”的BOM表，而是Byte

Order

Mark。BOM是一個(gè)有點(diǎn)小聰慧的想法：

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)當(dāng)出現(xiàn)在實(shí)際傳輸中。UCS規(guī)范建議我們?cè)趥鬏斪止?jié)流前，先傳輸字符"ZERO

WIDTH

NO-BREAK

SPACE"。

這樣假如接收者收到FEFF，就表明這個(gè)字節(jié)流是Big-Endian的；假如收到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不須要BOM來表明字節(jié)依次，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）。所以假如接收者收到以EF

BB

BF開頭的字節(jié)流，就知道這是UTF-8編碼了。

Windows就是運(yùn)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"

(://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)槲移鹣鹊囊蓡柖颊业搅舜鸢?，所以就沒有看：

"Understanding

Unicode

A

general

introduction

to

the

Unicode

Standard"

(:///cms/scripts/page.php?site_id=nrsi&item_id=IWS-Chapter04a)

"Character

set

encoding

basics

Understanding

character

set

encodings

and

legacy

encodings"

(:///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，包括運(yùn)用Windows

API和不運(yùn)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(yè)上(://fmddlmyy.home4u.china)。

我是想清晰全部問題后才起先寫這篇文章的，原以為一會(huì)兒就能寫好。沒想到考慮措辭和查證細(xì)微環(huán)節(jié)花費(fèi)了很長(zhǎng)時(shí)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(qū)位碼、GB2312、內(nèi)碼和代碼頁(yè)

有的摯友對(duì)文章中這句話還有疑問：

“GB2312的原文還是區(qū)位碼，從區(qū)位碼到內(nèi)碼，須要在高字節(jié)和低字節(jié)上分別加上A0?！?/p>

我再具體說明一下：

“GB2312的原文”是指國(guó)家1980年的一個(gè)標(biāo)準(zhǔn)《中華人民共和國(guó)國(guó)家標(biāo)準(zhǔn)

信息交換用漢字編碼字符集

基本集

GB

2312-80》。這個(gè)標(biāo)準(zhǔn)用兩個(gè)數(shù)來編碼漢字和中文符號(hào)。第一個(gè)數(shù)稱為“區(qū)”，其次個(gè)數(shù)稱為“位”。所以也稱為區(qū)位碼。1-9區(qū)是中文符號(hào)，16-55區(qū)是一級(jí)漢字，56-87區(qū)是二級(jí)漢字。現(xiàn)在Windows也還有區(qū)位輸入法，例如輸入1601得到“啊”。（這個(gè)區(qū)位輸入法可以自動(dòng)識(shí)別16進(jìn)制的GB2312和10進(jìn)制的區(qū)位碼，也就是說輸入B0A1同樣會(huì)得到“啊”。）

內(nèi)碼是指操作系統(tǒng)內(nèi)部的字符編碼。早期操作系統(tǒng)的內(nèi)碼是與語言相關(guān)的?，F(xiàn)在的Windows在系統(tǒng)內(nèi)部支持Unicode，然后用代碼頁(yè)適應(yīng)各種語言，“內(nèi)碼”的概念就比較模糊了。微軟一般將缺省代碼頁(yè)指定的編碼說成是內(nèi)碼。

內(nèi)碼這個(gè)詞匯，并沒有什么正式的定義，代碼頁(yè)也只是微軟這個(gè)公司的叫法。作為程序員，我們只要知道它們是什么東西，沒有必要過多地考證這些名詞。

所謂代碼頁(yè)(code

page)就是針對(duì)一種語言文字的字符編碼。例如GBK的code

page是CP936，BIG