【轉(zhuǎn)】隨便說說字符集和編碼<br />
<br />
<br />
空上的銀河,然后想一想要從哪里開始講起。嗯,也許這樣開始比較好……<br />
<br />
<br />
很久很久以前,有一群人,他們決定用8個(gè)可以
開合的晶體管來組合成不同的狀態(tài),以表示世界上的萬(wàn)物。他們看到8個(gè)開關(guān)狀態(tài)是好的,于是他們把這稱為"字節(jié)"。<br />
再后來,他們又做了一些可以處理這些字節(jié)的機(jī)器,機(jī)器開動(dòng)了,可以用字節(jié)來組合出很多狀態(tài),狀態(tài)開始變來變?nèi)ァK麄兛吹竭@樣是好的,于是它們就這機(jī)器稱為"計(jì)算機(jī)"。<br />
<br />
開始計(jì)算機(jī)只在美國(guó)用。八位的字節(jié)一共可以組合出256(2的8次方)種不同的狀態(tài)。<br />
他們把其中的編號(hào)從0開始的32種狀態(tài)分別規(guī)定了特殊的用途,一但終端、打印機(jī)遇上約定好的這些字節(jié)被傳過來時(shí),就要做一些約定的動(dòng)作。遇上00x10, 終端就換行,遇上0x07, 終端就向人們嘟嘟叫,例如遇上0x1b, 打印機(jī)就打印反白的字,或者終端就用彩色顯示字母。他們看到這樣很好,于是就把這些0x20以下的字節(jié)狀態(tài)稱為"控制碼"。 <br />
他們又把所有的空格、標(biāo)點(diǎn)符號(hào)、數(shù)字、大小寫字母分別用連續(xù)的字節(jié)狀態(tài)表示,一直編到了第127號(hào),這樣計(jì)算機(jī)就可以用不同字節(jié)來存儲(chǔ)英語(yǔ)的文字了。大家看到這樣,都感覺很好,于是大家都把這個(gè)方案叫做 ANSI 的"Ascii"編碼(American Standard Code for Information Interchange,美國(guó)信息互換標(biāo)準(zhǔn)代碼)。當(dāng)時(shí)世界上所有的計(jì)算機(jī)都用同樣的ASCII方案來保存英文文字。<br />
后來,就像建造巴比倫塔一樣,世界各地的都開始使用計(jì)算機(jī),但是很多國(guó)家用的不是英文,他們的字母里有許多是ASCII里沒有的,為了可以在計(jì)算機(jī)保存他們的文字,他們決定采用127號(hào)之后的空位來表示這些新的字母、符號(hào),還加入了很多畫表格時(shí)需要用下到的橫線、豎線、交叉等形狀,一直把序號(hào)編到了最后一個(gè)狀態(tài)255。從128到255這一頁(yè)的字符集被稱"擴(kuò)展字符集"。從此之后,貪婪的人類再?zèng)]有新的狀態(tài)可以用了,美帝國(guó)主義可能沒有想到還有第三世界國(guó)家的人們也希望可以用到計(jì)算機(jī)吧! <br />
等中國(guó)人們得到計(jì)算機(jī)時(shí),已經(jīng)沒有可以利用的字節(jié)狀態(tài)來表示漢字,況且有6000多個(gè)常用漢字需要保存呢。但是這難不倒智慧的中國(guó)人民,我們不客氣地把那些127號(hào)之后的奇異符號(hào)們直接取消掉, 規(guī)定:一個(gè)小于127的字符的意義與原來相同,但兩個(gè)大于127的字符連在一起時(shí),就表示一個(gè)漢字,前面的一個(gè)字節(jié)(他稱之為高字節(jié))從0xA1用到0xF7,后面一個(gè)字節(jié)(低字節(jié))從0xA1到0xFE,這樣我們就可以組合出大約7000多個(gè)簡(jiǎn)體漢字了。在這些編碼里,我們還把數(shù)學(xué)符號(hào)、羅馬希臘的字母、日文的假名們都編進(jìn)去了,連在 ASCII 里本來就有的數(shù)字、標(biāo)點(diǎn)、字母都統(tǒng)統(tǒng)重新編了兩個(gè)字節(jié)長(zhǎng)的編碼,這就是常說的"全角"字符,而原來在127號(hào)以下的那些就叫"半角"字符了。 <br />
中國(guó)人民看到這樣很不錯(cuò),于是就把這種漢字方案叫做 "GB2312"。GB2312 是對(duì) ASCII 的中文擴(kuò)展。<br />
但是中國(guó)的漢字太多了,我們很快就就發(fā)現(xiàn)有許多人的人名沒有辦法在這里打出來,特別是某些很會(huì)麻煩別人的國(guó)家領(lǐng)導(dǎo)人。于是我們不得不繼續(xù)把 GB2312 沒有用到的碼位找出來老實(shí)不客氣地用上。<br />
后來還是不夠用,于是干脆不再要求低字節(jié)一定是127號(hào)之后的內(nèi)碼,只要第一個(gè)字節(jié)是大于127就固定表示這是一個(gè)漢字的開始,不管后面跟的是不是擴(kuò)展字符集里的內(nèi)容。結(jié)果擴(kuò)展之后的編碼方案被稱為 GBK 標(biāo)準(zhǔn),GBK 包括了 GB2312 的所有內(nèi)容,同時(shí)又增加了近20000個(gè)新的漢字(包括繁體字)和符號(hào)。 <br />
后來少數(shù)民族也要用電腦了,于是我們?cè)贁U(kuò)展,又加了幾千個(gè)新的少數(shù)民族的字,GBK 擴(kuò)成了 GB18030。從此之后,中華民族的文化就可以在計(jì)算機(jī)時(shí)代中傳承了。<br />
中國(guó)的程序員們看到這一系列漢字編碼的標(biāo)準(zhǔn)是好的,于是通稱他們叫做 "DBCS"(Double Byte Charecter Set 雙字節(jié)字符集)。在DBCS系列標(biāo)準(zhǔn)里,最大的特點(diǎn)是兩字節(jié)長(zhǎng)的漢字字符和一字節(jié)長(zhǎng)的英文字符并存于同一套編碼方案里,因此他們寫的程序?yàn)榱酥С种形奶幚恚仨氁⒁庾执锏拿恳粋(gè)字節(jié)的值,如果這個(gè)值是大于127的,那么就認(rèn)為一個(gè)雙字節(jié)字符集里的字符出現(xiàn)了。那時(shí)候凡是受過加持,會(huì)編程的計(jì)算機(jī)僧侶們都要每天念下面這個(gè)咒語(yǔ)數(shù)百遍: <br />
"一個(gè)漢字算兩個(gè)英文字符!一個(gè)漢字算兩個(gè)英文字符……"<br />
<br />
因?yàn)楫?dāng)時(shí)各個(gè)國(guó)家都像中國(guó)這樣搞出一套自己的編碼標(biāo)準(zhǔn),結(jié)果互相之間誰(shuí)也不懂誰(shuí)的編碼,誰(shuí)也不支持別人的編碼,連大陸和臺(tái)灣這樣只相隔了150海里,使用著同一種語(yǔ)言的兄弟地區(qū),也分別采用了不同的 DBCS 編碼方案——當(dāng)時(shí)的中國(guó)人想讓電腦顯示漢字,就必須裝上一個(gè)"漢字系統(tǒng)",專門用來處理漢字的顯示、輸入的問題,但是那個(gè)臺(tái)灣的愚昧封建人士寫的算命程序就必須加裝另一套支持 BIG5 編碼的什么"倚天漢字系統(tǒng)"才可以用,裝錯(cuò)了字符系統(tǒng),顯示就會(huì)亂了套!這怎么辦?而且世界民族之林中還有那些一時(shí)用不上電腦的窮苦人民,他們的文字又怎么辦?<br />
真是計(jì)算機(jī)的巴比倫塔命題!<br />
正在這時(shí),大天使加百列及時(shí)出現(xiàn)了——一個(gè)叫 ISO (國(guó)際標(biāo)誰(shuí)化組織)的國(guó)際組織決定著手解決這個(gè)問題。他們采用的方法很簡(jiǎn)單:廢了所有的地區(qū)性編碼方案,重新搞一個(gè)包括了地球上所有文化、所有字母和符號(hào)的編碼!他們打算叫它"Universal Multiple-Octet Coded Character Set",簡(jiǎn)稱 UCS, 俗稱 "UNICODE"。<br />
UNICODE 開始制訂時(shí),計(jì)算機(jī)的存儲(chǔ)器容量極大地發(fā)展了,空間再也不成為問題了。于是 ISO 就直接規(guī)定必須用兩個(gè)字節(jié),也就是16位來統(tǒng)一表示所有的字符,對(duì)于ascii里的那些“半角”字符,UNICODE 包持其原編碼不變,只是將其長(zhǎng)度由原來的8位擴(kuò)展為16位,而其他文化和語(yǔ)言的字符則全部重新統(tǒng)一編碼。由于"半角"英文符號(hào)只需要用到低8位,所以其高8位永遠(yuǎn)是0,因此這種大氣的方案在保存英文文本時(shí)會(huì)多浪費(fèi)一倍的空間。 <br />
這時(shí)候,從舊社會(huì)里走過來的程序員開始發(fā)現(xiàn)一個(gè)奇怪的現(xiàn)象:他們的strlen函數(shù)靠不住了,一個(gè)漢字不再是相當(dāng)于兩個(gè)字符了,而是一個(gè)!是的,從 UNICODE 開始,無(wú)論是半角的英文字母,還是全角的漢字,它們都是統(tǒng)一的"一個(gè)字符"!同時(shí),也都是統(tǒng)一的"兩個(gè)字節(jié)",請(qǐng)注意"字符"和"字節(jié)"兩個(gè)術(shù)語(yǔ)的不同,“字節(jié)”是一個(gè)8位的物理存貯單元,而“字符”則是一個(gè)文化相關(guān)的符號(hào)。在UNICODE 中,一個(gè)字符就是兩個(gè)字節(jié)。一個(gè)漢字算兩個(gè)英文字符的時(shí)代已經(jīng)快過去了。<br />
從前多種字符集存在時(shí),那些做多語(yǔ)言軟件的公司遇上過很大麻煩,他們?yōu)榱嗽诓煌膰?guó)家銷售同一套軟件,就不得不在區(qū)域化軟件時(shí)也加持那個(gè)雙字節(jié)字符集咒語(yǔ),不僅要處處小心不要搞錯(cuò),還要把軟件中的文字在不同的字符集中轉(zhuǎn)來轉(zhuǎn)去。UNICODE 對(duì)于他們來說是一個(gè)很好的一攬子解決方案,于是從 Windows NT 開始,MS 趁機(jī)把它們的操作系統(tǒng)改了一遍,把所有的核心代碼都改成了用 UNICODE 方式工作的版本,從這時(shí)開始,WINDOWS 系統(tǒng)終于無(wú)需要加裝各種本土語(yǔ)言系統(tǒng),就可以顯示全世界上所有文化的字符了。 <br />
但是,UNICODE 在制訂時(shí)沒有考慮與任何一種現(xiàn)有的編碼方案保持兼容,這使得 GBK 與UNICODE 在漢字的內(nèi)碼編排上完全是不一樣的,沒有一種簡(jiǎn)單的算術(shù)方法可以把文本內(nèi)容從UNICODE編碼和另一種編碼進(jìn)行轉(zhuǎn)換,這種轉(zhuǎn)換必須通過查表來進(jìn)行。<br />
如前所述,UNICODE 是用兩個(gè)字節(jié)來表示為一個(gè)字符,這就總共可以組合出65535不同的字符,這大概已經(jīng)可以覆蓋世界上所有文化的符號(hào)。如果還不夠也沒有關(guān)系,ISO已經(jīng)準(zhǔn)備了UCS-4方案,說簡(jiǎn)單了就是四個(gè)字節(jié)來表示一個(gè)字符,這樣我們就可以組合出21億個(gè)不同的字符出來(最高位有其他用途),這大概可以用到銀河聯(lián)邦成立那一天吧! <br />
<br />
UNICODE 來到時(shí),一起到來的還有計(jì)算機(jī)網(wǎng)絡(luò)的興起,UNICODE 如何在網(wǎng)絡(luò)上傳輸也是一個(gè)必須考慮的問題,于是面向傳輸?shù)谋姸?UTF(UCS Transfer Format)標(biāo)準(zhǔn)出現(xiàn)了,顧名思義,UTF8就是每次8個(gè)位傳輸數(shù)據(jù),而UTF16就是每次16個(gè)位,只不過為了傳輸時(shí)的可靠性,從UNICODE到UTF時(shí)并不是直接的對(duì)應(yīng),而是要過一些算法和規(guī)則來轉(zhuǎn)換。<br />
受到過網(wǎng)絡(luò)編程加持的計(jì)算機(jī)僧侶們都知道,在網(wǎng)絡(luò)里傳遞信息時(shí)有一個(gè)很重要的問題,就是對(duì)于數(shù)據(jù)高低位的解讀方式,一些計(jì)算機(jī)是采用低位先發(fā)送的方法,例如我們PC機(jī)采用的 INTEL 架構(gòu),而另一些是采用高位先發(fā)送的方式,在網(wǎng)絡(luò)中交換數(shù)據(jù)時(shí),為了核對(duì)雙方對(duì)于高低位的認(rèn)識(shí)是否是一致的,采用了一種很簡(jiǎn)便的方法,就是在文本流的開始時(shí)向?qū)Ψ桨l(fā)送一個(gè)標(biāo)志符——如果之后的文本是高位在位,那就發(fā)送"FEFF",反之,則發(fā)送"FFFE"。不信你可以用二進(jìn)制方式打開一個(gè)UTF-X格式的文件,看看開頭兩個(gè)字節(jié)是不是這兩個(gè)字節(jié)? <br />
<br />
講到這里,我們?cè)夙槺阏f說一個(gè)很著名的奇怪現(xiàn)象:當(dāng)你在 windows 的記事本里新建一個(gè)文件,輸入"聯(lián)通"兩個(gè)字之后,保存,關(guān)閉,然后再次打開,你會(huì)發(fā)現(xiàn)這兩個(gè)字已經(jīng)消失了,代之的是幾個(gè)亂碼!呵呵,有人說這就是聯(lián)通之所以拼不過移動(dòng)的原因。<br />
其實(shí)這是因?yàn)镚B2312編碼與UTF8編碼產(chǎn)生了編碼沖撞的原因。<br />
從網(wǎng)上引來一段從UNICODE到UTF8的轉(zhuǎn)換規(guī)則:Unicode<br />
UTF-8 <br />
<br />
0000 - 007F<br />
0xxxxxxx<br />
<br />
0080 - 07FF<br />
110xxxxx 10xxxxxx<br />
<br />
0800 - FFFF<br />
1110xxxx 10xxxxxx 10xxxxxx<br />
<br />
例如"漢"字的Unicode編碼是6C49。6C49在0800-FFFF之間,所以要用3字節(jié)模板:1110xxxx 10xxxxxx 10xxxxxx。將6C49寫成二進(jìn)制是:0110 1100 0100 1001,將這個(gè)比特流按三字節(jié)模板的分段方法分為0110 110001 001001,依次代替模板中的x,得到:1110-0110 10-110001 10-001001,即E6 B1 89,這就是其UTF8的編碼。 <br />
而當(dāng)你新建一個(gè)文本文件時(shí),記事本的編碼默認(rèn)是ANSI, 如果你在ANSI的編碼輸入漢字,那么他實(shí)際就是GB系列的編碼方式,在這種編碼下,"聯(lián)通"的內(nèi)碼是:<br />
c1 1100 0001<br />
aa 1010 1010<br />
cd 1100 1101<br />
a8 1010 1000<br />
注意到了嗎?第一二個(gè)字節(jié)、第三四個(gè)字節(jié)的起始部分的都是"110"和"10",正好與UTF8規(guī)則里的兩字節(jié)模板是一致的,于是再次打開記事本時(shí),記事本就誤認(rèn)為這是一個(gè)UTF8編碼的文件,讓我們把第一個(gè)字節(jié)的110和第二個(gè)字節(jié)的10去掉,我們就得到了"00001 101010",再把各位對(duì)齊,補(bǔ)上前導(dǎo)的0,就得到了"0000 0000 0110 1010",不好意思,這是UNICODE的006A,也就是小寫的字母"j",而之后的兩字節(jié)用UTF8解碼之后是0368,這個(gè)字符什么也不是。這就是只有"聯(lián)通"兩個(gè)字的文件沒有辦法在記事本里正常顯示的原因。 <br />
而如果你在"聯(lián)通"之后多輸入幾個(gè)字,其他的字的編碼不見得又恰好是110和10開始的字節(jié),這樣再次打開時(shí),記事本就不會(huì)堅(jiān)持這是一個(gè)utf8編碼的文件,而會(huì)用ANSI的方式解讀之,這時(shí)亂碼又不出現(xiàn)了。<br />
好了,終于可以回答NICO的問題了,在數(shù)據(jù)庫(kù)里,有n前綴的字串類型就是UNICODE類型,這種類型中,固定用兩個(gè)字節(jié)來表示一個(gè)字符,無(wú)論這個(gè)字符是漢字還是英文字母,或是別的什么。<br />
如果你要測(cè)試"abc漢字"這個(gè)串的長(zhǎng)度,在沒有n前綴的數(shù)據(jù)類型里,這個(gè)字串是7個(gè)字符的長(zhǎng)度,因?yàn)橐粋(gè)漢字相當(dāng)于兩個(gè)字符。而在有n前綴的數(shù)據(jù)類型里,同樣的測(cè)試串長(zhǎng)度的函數(shù)將會(huì)告訴你是5個(gè)字符,因?yàn)橐粋(gè)漢字就是一個(gè)字符。
[
本帖最后由 BSXLBSXL 于 2007/7/13 19:00 編輯 payment-defi.com/jianyan/]
-----------呵呵,謝謝。這個(gè)帖子對(duì)我的胃口。