字元編碼筆記：ascii，unicode和utf-8
我們知道，在計算機內部，所有的資訊最終都表示為乙個二進位制的字串。每乙個二進位制位（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，這被稱為乙個位元組（byte）。也就是說，乙個位元組一共可以用來表示256種不同的狀態，每乙個狀態對應乙個符號，就是256個符號，從0000000到11111111。
上個世紀60年代，美國制定了一套字元編碼，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），只占用了乙個位元組的後面7位，最前面的1位統一規定為0。
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碼表示。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 (??
)，在俄語編碼中又會代表另乙個符號。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。乙個位元組只能表示256種符號，肯定是不夠的，就必須使用多個位元組表達乙個符號。比如，簡體中文常見的編碼方式是gb2312，使用兩個位元組表示乙個漢字，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乙個符號，但是gb類的漢字編碼與後文的unicode和utf-8是毫無關係的。
正如上一節所說，世界上存在著多種編碼方式，同乙個二進位制數字可以被解釋成不同的符號。因此，要想開啟乙個文字檔案，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。每乙個符號都給予乙個獨一無二的編碼，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當然是乙個很大的集合，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，可以查詢或者專門的漢字對應表。
需要注意的是，unicode只是乙個符號集，它只規定了符號的二進位制**，卻沒有規定這個二進位制**應該如何儲存。
比如，漢字「嚴」的unicode是十六進製制數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，第乙個問題是，如何才能區別unicode和ascii？計算機怎麼知道三個位元組表示乙個符號，而不是分別表示三個符號呢？第二個問題是，我們已經知道，英文本母只用乙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，那麼每個英文本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。
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最大的乙個特點，就是它是一種變長的編碼方式。它可以使用1~4個位元組表示乙個符號，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），第乙個位元組的前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
(十六進製制) | （二進位制）
0000 0000-0000 007f | 0******x
0000 0080-0000 07ff | 110***xx 10******
0000 0800-0000 ffff | 1110***x 10****** 10******
0001 0000-0010 ffff | 11110*** 10****** 10****** 10******
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「1110***x 10****** 10******」。然後，從「嚴」的最後乙個二進位制位開始，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」，轉換成十六進製制就是e4b8a5。
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平台下，有乙個最簡單的轉化方法，就是使用內建的記事本小程式開啟檔案後，點選「檔案」選單中的「另存為」命令，會跳出乙個對話方塊，在最底部有乙個「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，如果是正體中文版會採用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編碼與上乙個選項相對應。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。
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，乙個位元組是4e，另乙個位元組是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，乙個皇帝送了命，另乙個皇帝丟了王位。
因此，第乙個位元組在前，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，就會出現乙個問題：計算機怎麼知道某乙個檔案到底採用哪一種方式編碼？
unicode規範中定義，每乙個檔案的最前面分別加入乙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。
如果乙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。
下面，舉乙個例項。
開啟」記事本「程式新建乙個文字檔案，內容就是乙個」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」十六進製制功能「，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。
gen字元編碼介紹fpv
字元編碼介紹 一 目錄1 基本概念 1 2 ascii和iso 8859 2 3 國標編碼 2 3.1 gb2312 80 2 3.2 gb13000 gbk 3 3.3 gb18030 2000 4 4 big 5編碼 5 4.1 big 5簡介 5 4.2 big 5的問題 7 5 ucs和un...
Jsp頁面中的字元編碼方式與亂碼解決方法
3 request.setcharacterencoding utf 8 的作用是設定對客戶端請求進行編碼的方式 該方法用來指定對瀏覽器傳送來的資料進行編碼的編碼方式。4 response.setcharacterencoding utf 8 的作用是指定伺服器響應的編碼方式 伺服器在將資料傳送到瀏...
字元陣列,字元指標,sizeof,strlen總結
cpp 字元陣列,字元指標,sizeof,strlen總結 對於字元陣列與字元指標 1.以字串形式出現的，編譯器都會為該字串自動新增乙個0作為結束符，如在 中寫 abc 那麼編譯器幫你儲存的是 abc 0 2.字串直接量作為字元指標的初始值 hello 是乙個字串直接量，編譯器將其作為const c...