ASCII、Unicode、GBK和UTF-8字符編碼的區(qū)別聯(lián)系

2015-05-08 實(shí)驗(yàn)樓

很久很久以前，有一群人，他們決定用8個(gè)可以開(kāi)合的晶體管來(lái)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(kāi)關(guān)狀態(tài)是好的，于是他們把這稱為“字節(jié)”。

再后來(lái)，他們又做了一些可以處理這些字節(jié)的機(jī)器，機(jī)器開(kāi)動(dòng)了，可以用字節(jié)來(lái)組合出很多狀態(tài)，狀態(tài)開(kāi)始變來(lái)變?nèi)?。他們看到這樣是好的，于是它們就這機(jī)器稱為“計(jì)算機(jī)”。

開(kāi)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)。 他們把其中的編號(hào)從0開(kāi)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(guò)來(lái)時(shí)，就要做一些約定的動(dòng)作，如：

遇上0×10, 終端就換行；

遇上0×07, 終端就向人們嘟嘟叫；

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0×20以下的字節(jié)狀態(tài)稱為“控制碼”。他們又把所有的空 格、標(biāo)點(diǎn)符號(hào)、數(shù)字、大小寫(xiě)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(lái)存儲(chǔ)英語(yǔ)的文字了。

大家看到這樣，都感覺(jué)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(lái)保存英文文字。

后來(lái)，就像建造巴比倫塔一樣，世界各地的都開(kāi)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(méi)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(lái)表示這些新的字母、符號(hào)，還加入了很多畫(huà)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(lèi)再?zèng)]有新的狀態(tài)可以用了，美帝國(guó)主義可能沒(méi)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！

等中國(guó)人們得到計(jì)算機(jī)時(shí)，已經(jīng)沒(méi)有可以利用的字節(jié)狀態(tài)來(lái)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(lái)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(lái)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(shuō)的“全角”字符。

而原來(lái)在127號(hào)以下的那些就叫“半角”字符了。

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。

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(méi)有辦法在這里打出來(lái)，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(méi)有用到的碼位找出來(lái)老實(shí)不客氣地用上。

后來(lái)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(kāi)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)。

后來(lái)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。

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(xiě)的程序?yàn)榱酥С种形奶幚?，必須要注意字串里的每一個(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(guò)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： “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……”

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(mén)用來(lái)處理漢字的顯示、輸入的問(wèn)題，但是那個(gè)臺(tái)灣的愚昧封建人士寫(xiě)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？ 真是計(jì)算機(jī)的巴比倫塔命題?。?/p>

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(wèn)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”。

unicode開(kāi)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(wèn)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(lái)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(lái)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。

這時(shí)候，從舊社會(huì)里走過(guò)來(lái)的程序員開(kāi)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(kāi)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(guò)去了。

unicode同樣也不完美，這里就有兩個(gè)的問(wèn)題，

一個(gè)是，如何才能區(qū)別unicode和ascii？計(jì)算機(jī)怎么知道三個(gè)字節(jié)表示一個(gè)符號(hào)，而不是分別表示三個(gè)符號(hào)呢？

第二個(gè)問(wèn)題是，我們已經(jīng)知道，英文字母只用一個(gè)字節(jié)表示就夠了，如果unicode統(tǒng)一規(guī)定，每個(gè)符號(hào)用三個(gè)或四個(gè)字節(jié)表示，那么每個(gè)英文字母前都必然有二到三個(gè)字節(jié)是0，這對(duì)于存儲(chǔ)空間來(lái)說(shuō)是極大的浪費(fèi)，文本文件的大小會(huì)因此大出二三倍，這是難以接受的。

unicode在很長(zhǎng)一段時(shí)間內(nèi)無(wú)法推廣，直到互聯(lián)網(wǎng)的出現(xiàn)，為解決unicode如何在網(wǎng)絡(luò)上傳輸?shù)膯?wèn)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：

UTF-8就是每次8個(gè)位傳輸數(shù)據(jù)，

而UTF-16就是每次16個(gè)位。

UTF-8就是在互聯(lián)網(wǎng)上使用最廣的一種unicode的實(shí)現(xiàn)方式，這是為傳輸而設(shè)計(jì)的編碼，并使編碼無(wú)國(guó)界，這樣就可以顯示全世界上所有文化的字符了。

UTF-8最大的一個(gè)特點(diǎn)，就是它是一種變長(zhǎng)的編碼方式。

它可以使用1~4個(gè)字節(jié)表示一個(gè)符號(hào)，根據(jù)不同的符號(hào)而變化字節(jié)長(zhǎng)度，當(dāng)字符在ASCII碼的范圍時(shí)，就用一個(gè)字節(jié)表示，保留了ASCII字符一個(gè)字節(jié)的編碼做為它的一部分，（注意的是unicode一個(gè)中文字符占2個(gè)字節(jié)，而UTF-8一個(gè)中文字符占3個(gè)字節(jié)）。

從unicode到uft-8并不是直接的對(duì)應(yīng)，而是要過(guò)一些算法和規(guī)則來(lái)轉(zhuǎn)換。

Unicode符號(hào)范圍 | UTF-8編碼方式

(十六進(jìn)制) | （二進(jìn)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

之前一直對(duì)字符編碼很模糊，網(wǎng)查資料被忽悠地暈頭轉(zhuǎn)向，看完這篇風(fēng)趣的文章，把之前模糊的知識(shí)點(diǎn)串聯(lián)起來(lái)，并稍加總結(jié)，我和我的小伙伴們都明白了！

via:http://toutiao.io/

原文鏈接：http://dengo.org/archives/901