查看“关于：ASCII，Unicode 和 UTF-8”的源代码

[[category:计算机基础]]

== 关于 ==
【转自：[http://www.ruanyifeng.com/blog/2007/10/ascii_unicode_and_utf-8.html 阮一峰的网络日志“字符编码笔记：ASCII，Unicode 和 UTF-8”]】

== ASCII 码 ==
我们知道，计算机内部，所有信息最终都是一个二进制值。每一个二进制位（bit）有0和1两种状态，因此八个二进制位就可以组合出256种状态，这被称为一个字节（byte）。也就是说，一个字节一共可以用来表示256种不同的状态，每一个状态对应一个符号，就是256个符号，从00000000到11111111。


上个世纪60年代，美国制定了一套字符编码，对英语字符与二进制位之间的关系，做了统一规定。这被称为 ASCII 码，一直沿用至今。


ASCII 码一共规定了128个字符的编码，比如空格“<code>SPACE</code>”是32（二进制00100000），大写的字母“<code>A</code>”是65（二进制01000001）。这128个符号（包括32个不能打印出来的控制符号），只占用了一个字节的后面7位，最前面的一位统一规定为0。

=== 非 ASCII 编码 ===
英语用128个符号编码就够了，但是用来表示其他语言，128个符号是不够的。比如，在法语中，字母上方有注音符号，它就无法用 ASCII 码表示。于是，一些欧洲国家就决定，利用字节中闲置的最高位编入新的符号。比如，法语中的“é”的编码为130（二进制10000010）。这样一来，这些欧洲国家使用的编码体系，可以表示最多256个符号。


但是，这里又出现了新的问题。不同的国家有不同的字母，因此，哪怕它们都使用256个符号的编码方式，代表的字母却不一样。比如，130在法语编码中代表了“<code>é</code>”，在希伯来语编码中却代表了字母“<code>Gimel</code>” (<code>ג</code>)，在俄语编码中又会代表另一个符号。但是不管怎样，所有这些编码方式中，0--127表示的符号是一样的，不一样的只是128--255的这一段。


至于亚洲国家的文字，使用的符号就更多了，汉字就多达10万左右。一个字节只能表示256种符号，肯定是不够的，就必须使用多个字节表达一个符号。比如，简体中文常见的编码方式是 '''GB2312'''，使用两个字节表示一个汉字，所以理论上最多可以表示 256 x 256 = 65536 个符号。

== Unicode ==
正如上一节所说，世界上存在着多种编码方式，同一个二进制数字可以被解释成不同的符号。因此，要想打开一个文本文件，就必须知道它的编码方式，否则用错误的编码方式解读，就会出现乱码。为什么电子邮件常常出现乱码？就是因为发信人和收信人使用的编码方式不一样。


可以想象，如果有一种编码，将世界上所有的符号都纳入其中。每一个符号都给予一个独一无二的编码，那么乱码问题就会消失。这就是 Unicode，就像它的名字都表示的，这是一种所有符号的编码。


Unicode 当然是一个很大的集合，现在的规模可以容纳100多万个符号。每个符号的编码都不一样，比如，“U+0639”表示阿拉伯字母“<code>Ain</code>”，U+0041表示英语的大写字母“<code>A</code>”，U+4E25表示汉字“<code>严</code>”。具体的符号对应表，可以查询[unicode.org unicode.org]，或者专门的汉字对应表。

=== Unicode 的问题 ===
需要注意的是，'''Unicode 只是一个符号集'''，它只规定了符号的二进制代码，却没有规定这个二进制代码应该如何存储。


比如，汉字“<code>严</code>”的 Unicode 是十六进制数4E25，转换成二进制数足足有15位（100111000100101），也就是说，这个符号的表示至少需要2个字节。表示其他更大的符号，可能需要3个字节或者4个字节，甚至更多。


这里就有两个严重的问题，第一个问题是，如何才能区别 Unicode 和 ASCII ？计算机怎么知道三个字节表示一个符号，而不是分别表示三个符号呢？第二个问题是，我们已经知道，英文字母只用一个字节表示就够了，如果 Unicode 统一规定，每个符号用三个或四个字节表示，那么每个英文字母前都必然有二到三个字节是0，这对于存储来说是极大的浪费，文本文件的大小会因此大出二三倍，这是无法接受的。


它们造成的结果是：
# 出现了 Unicode 的多种存储方式，也就是说有许多种不同的二进制格式，可以用来表示 Unicode。
# Unicode 在很长一段时间内无法推广，直到互联网的出现。

=== 关于 BMP ===
Unicode 标准包括来自基本多语言平面（BMP）的字符和位于 BMP 之外的补充字符。【BMP，见“'''[[关于：基本多语言平面（BMP）]]'''”】


从字符集的角度上来讲，Unicode 字符集不同于ASCII这样不能再增加字符的封闭字符集，而是一个开放的字符集，是可以不断地增加字符的。因此 Unicode 字符集也在不断发展中【比如随着互联网即时聊天工具的发展而流行起来的很多Emoji表情符就不断地被增加到了Unicode字符集里】，理论上支持的字符数量是没有上限的，未来还可再扩展。
: [[File:Unicode字符集中的Emoji表情字符.jpg|600px]]

== UTF-8 ==
互联网的普及，强烈要求出现一种统一的编码方式。UTF-8 就是在互联网上使用最广的一种 Unicode 的实现方式。其他实现方式还包括 UTF-16（字符用两个字节或四个字节表示）和 UTF-32（字符用四个字节表示），不过在互联网上基本不用。重复一遍，这里的关系是，'''UTF-8 是 Unicode 的实现方式之一'''。


UTF-8 最大的一个特点，就是它是一种变长的编码方式。它可以使用'''1~4个字节表示一个符号'''，根据不同的符号而变化字节长度。

UTF-8 的编码规则很简单，只有二条：
# 对于单字节的符号，字节的第一位设为 0，后面 7 位为这个符号的 Unicode 码。因此对于英语字母，UTF-8 编码和 ASCII 码是相同的。
# 对于 n 字节的符号（n > 1），第一个字节的前 n 位都设为 1，第 n + 1 位设为 0，后面字节的前两位一律设为 10。剩下的没有提及的二进制位，全部为这个符号的 Unicode 码。

下表总结了编码规则，字母x表示可用编码的位。
{| class="wikitable"
! Unicode符号范围(十六进制) !! UTF-8编码方式（二进制）
|-
| 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
|}
跟据上表，解读 UTF-8 编码非常简单。如果一个字节的第一位是 0，则这个字节单独就是一个字符；如果第一位是 1，则连续有多少个 1，就表示当前字符占用多少个字节。


以汉字“<code>严</code>”为例，演示如何实现 UTF-8 编码：
: “严”的 Unicode 是“4E25”（100111000100101），根据上表，可以发现“4E25”处在第三行的范围内（0000 0800 - 0000 FFFF），因此“严”的 UTF-8 编码需要三个字节，即格式是“1110xxxx 10xxxxxx 10xxxxxx”。然后，从严的最后一个二进制位开始，依次从后向前填入格式中的“x”，多出的位补“0”。这样就得到了，“严”的 UTF-8 编码是“11100100 10111000 10100101”，转换成十六进制就是“E4B8A5”。

=== Unicode 与 UTF-8 之间的转换 ===
如上所示，“严”的 Unicode码 是“4E25”，UTF-8 编码是“E4B8A5”，两者是不一样的。它们之间的转换可以通过程序实现。


Windows平台，有一个最简单的转化方法，就是使用内置的记事本小程序“notepad.exe”。打开文件后，点击文件菜单中的另存为命令，会跳出一个对话框，在最底部有一个编码的下拉条：
[[File:notepad转换编码方式.jpg|600px]]
里面有四个选项：“ANSI”，“Unicode”，“Unicode big endian”和“UTF-8”：
# ANSI：是默认的编码方式。对于英文文件是“ASCII”编码，对于简体中文文件是“GB2312”编码（只针对 Windows 简体中文版，如果是繁体中文版会采用 Big5 码）。
# Unicode：“编码这里指的是“notepad.exe”使用的“UCS-2”编码方式，即直接用两个字节存入字符的 Unicode 码，这个选项用的“little endian”格式。
# Unicode big endian：编码与上一个选项相对应。
# UTF-8：……。
选择完"编码方式"后，点击"保存"按钮，文件的编码方式就立刻转换好了。

== Little endian（小端存储） 和 Big endian（大端） ==
上一节已经提到，“UCS-2”格式可以存储 Unicode 码（码点不超过“0xFFFF”）。以汉字“<code>严</code>”为例，Unicode 码是“4E25”，需要用两个字节存储，一个字节是“4E”，另一个字节是“25”。存储的时候：
# “4E”在前，“25”在后，即 Big endian 方式；
# “25”在前，“4E”在后，即 Little endian 方式。


这两个古怪的名称来自英国作家斯威夫特的《格列佛游记》。在该书中，小人国里爆发了内战，战争起因是人们争论，吃鸡蛋时究竟是从大头(Big-endian)敲开还是从小头(Little-endian)敲开。为了这件事情，前后爆发了六次战争，一个皇帝送了命，另一个皇帝丢了王位。


第一个字节在前，就是“大头方式”（Big endian），第二个字节在前就是“小头方式”（Little endian）。


那么很自然的，就会出现一个问题：计算机怎么知道某一个文件到底采用哪一种方式编码？
: Unicode 规范定义，每一个文件的最前面分别加入一个表示编码顺序的字符，这个字符的名字叫做“零宽度非换行空格”（zero width no-break space），用“FEFF”表示。这正好是两个字节，而且“FF”比“FE”大1。
: 即：如果一个文本文件的头两个字节是“FE FF”，就表示该文件采用大头方式；如果头两个字节是“FF FE”，就表示该文件采用小头方式。

== 实例 ==
打开“记事本”程序“notepad.exe”，新建一个文本文件，内容就是一个“<code>严</code>”字，依次采用“ANSI”，“Unicode”，“Unicode big endian”和“UTF-8”编码方式保存。

然后，用文本编辑软件 UltraEdit 中的十六进制功能，观察该文件的内部编码方式。
# ANSI：文件的编码就是两个字节“D1 CF”，这正是严的 GB2312 编码，这也暗示 '''GB2312 是采用大头方式存储的'''。
# Unicode：编码是四个字节“FF FE 25 4E”，其中“FF FE”表明是小头方式存储，真正的编码是“4E25”。
# Unicode big endian：编码是四个字节“FE FF 4E 25”，其中“FE FF”表明是大头方式存储。
# UTF-8：编码是六个字节“EF BB BF E4 B8 A5”，前三个字节“EF BB BF”表示这是UTF-8编码，后三个“E4B8A5”就是严的具体编码，它的存储顺序与编码顺序是一致的。