隨著計(jì)算機(jī)的發(fā)展、普及，世界各國為了適應(yīng)本國的語言和字符都會自己設(shè)計(jì)一套自己的編碼風(fēng)格，正是由于這種亂，導(dǎo)致存在很多種編碼方式，以至于同一個(gè)二進(jìn)制數(shù)字可能會被解釋成不同的符號。為了解決這種不兼容的問題，偉大的創(chuàng)想Unicode編碼應(yīng)時(shí)而生�。�

Unicode

Unicode又稱為統(tǒng)一碼、萬國碼、單一碼，它是為了解決傳統(tǒng)的字符編碼方案的局限而產(chǎn)生的，它為每種語言中的每個(gè)字符設(shè)定了統(tǒng)一并且唯一的二進(jìn)制編碼，以滿足跨語言、跨平臺進(jìn)行文本轉(zhuǎn)換、處理的要求�？梢韵胂骍nicode作為一個(gè)“字符大容器”，它將世界上所有的符號都包含其中，并且每一個(gè)符號都有自己獨(dú)一無二的編碼，這樣就從根本上解決了亂碼的問題。所以Unicode是一種所有符號的編碼^[2]。

Unicode伴隨著通用字符集的標(biāo)準(zhǔn)而發(fā)展，同時(shí)也以書本的形式對外發(fā)表，它是業(yè)界的標(biāo)準(zhǔn)，對世界上大部分的文字系統(tǒng)進(jìn)行了整理、編碼，使得電腦可以用更為簡單的方式來呈現(xiàn)和處理文字。Unicode至今仍在不斷增修，迄今而至已收入超過十萬個(gè)字符，它備受業(yè)界認(rèn)可，并廣泛地應(yīng)用于電腦軟件的國際化與本地化過程。

我們知道Unicode是為了解決傳統(tǒng)的字符編碼方案的局限而產(chǎn)生的，對于傳統(tǒng)的編碼方式而言，他們都存在一個(gè)共同的問題：無法支持多語言環(huán)境，這對于互聯(lián)網(wǎng)這個(gè)開放的環(huán)境是不允許的。而目前幾乎所有的電腦系統(tǒng)都支持基本拉丁字母，并各自支持不同的其他編碼方式。Unicode為了和它們相互兼容，其首256字符保留給ISO 8859-1所定義的字符，使既有的西歐語系文字的轉(zhuǎn)換不需特別考量；并且把大量相同的字符重復(fù)編到不同的字符碼中去，使得舊有紛雜的編碼方式得以和Unicode編碼間互相直接轉(zhuǎn)換，而不會丟失任何信息^[1]。

實(shí)現(xiàn)方式

一個(gè)字符的Unicode編碼是確定的，但是在實(shí)際傳輸過程中，由于不同系統(tǒng)平臺的設(shè)計(jì)不一定一致，以及出于節(jié)省空間的目的，對Unicode編碼的實(shí)現(xiàn)方式有所不同。Unicode的實(shí)現(xiàn)方式稱為Unicode轉(zhuǎn)換格式（Unicode Transformation Format，簡稱為UTF）^[1]。

Unicode是字符集，它主要有UTF-8、UTF-16、UTF-32三種實(shí)現(xiàn)方式。由于UTF-8是目前主流的實(shí)現(xiàn)方式，UTF-16、UTF-32相對而言使用較少，所以下面就主要介紹UTF-8。

UCS

提到Unicode可能有必要了解下，UCS。UCS（Universal Character Set，通用字符集），是由ISO制定的ISO 10646（或稱ISO/IEC 10646）標(biāo)準(zhǔn)所定義的標(biāo)準(zhǔn)字符集。它包括了其他所有字符集，保證了與其他字符集的雙向兼容，即，如果你將任何文本字符串翻譯到UCS格式，然后再翻譯回原編碼，你不會丟失任何信息。

UCS不僅給每個(gè)字符分配一個(gè)代碼，而且賦予了一個(gè)正式的名字。表示一個(gè)UCS或Unicode值的十六進(jìn)制數(shù)通常在前面加上“U+”，例如“U+0041”代表字符“A”。

Little endian & Big endian

由于各個(gè)系統(tǒng)平臺的設(shè)計(jì)不同，可能會導(dǎo)致某些平臺對字符的理解不同（比如字節(jié)順序的理解）。這時(shí)將會導(dǎo)致同意字節(jié)流可能會被解釋為不同的內(nèi)容。如某個(gè)字符的十六進(jìn)制為4E59，拆分為4E、59，在MAC上讀取時(shí)是歐諾個(gè)低位開始的，那么MAC在遇到該字節(jié)流時(shí)會被解析為594E，找到的字符為“奎”，但是在Windows平臺是從高字節(jié)開始讀取，為4E59，找到的字符為“乙”。也就是說在Windows平臺保存的“乙”跑到MAC平臺上就變成了“奎”。這樣勢必會引起混亂，于是在Unicode編碼中采用了大頭（Big endian）、小頭（Little endian）兩種方式來進(jìn)行區(qū)分。即第一個(gè)字節(jié)在前，就是大頭方式，第二個(gè)字節(jié)在前就是小頭方式。那么這個(gè)時(shí)候就出現(xiàn)了一個(gè)問題：計(jì)算機(jī)怎么知道某個(gè)文件到底是采用哪種編碼方式的呢？

Unicode規(guī)范中定義，每一個(gè)文件的最前面分別加入一個(gè)表示編碼順序的字符，這個(gè)字符的名字叫做"零寬度非換行空格"（ZERO WIDTH NO-BREAK SPACE），用FEFF表示。這正好是兩個(gè)字節(jié)，而且FF比FE大1。

如果一個(gè)文本文件的頭兩個(gè)字節(jié)是FE FF，就表示該文件采用大頭方式；如果頭兩個(gè)字節(jié)是FF FE，就表示該文件采用小頭方式。

UTF-8

UTF-8是一種針對Unicode的可變長度字符編碼,可以使用1~4個(gè)字節(jié)表示一個(gè)符號，根據(jù)不同的符號而變化字節(jié)長度。它可以用來表示Unicode標(biāo)準(zhǔn)中的任何字符，且其編碼中的第一個(gè)字節(jié)仍與ASCII兼容，這使得原來處理ASCII字符的系統(tǒng)無須或只須做少部份修改，即可繼續(xù)使用。因此，它逐漸成為電子郵件、網(wǎng)頁及其他存儲或傳送文字的應(yīng)用中，優(yōu)先采用的編碼。

UTF-8使用一到四個(gè)字節(jié)為每個(gè)字符編碼，編碼規(guī)則如下：

1）對于單字節(jié)的符號，字節(jié)的第一位設(shè)為0，后面7位為這個(gè)符號的unicode碼。因此對于英語字母，UTF-8編碼和ASCII碼是相同的。

2）對于n字節(jié)的符號（n>1），第一個(gè)字節(jié)的前n位都設(shè)為1，第n+1位設(shè)為0，后面字節(jié)的前兩位一律設(shè)為10。剩下的沒有提及的二進(jìn)制位，全部為這個(gè)符號的unicode碼。

轉(zhuǎn)換表如下：

Unicode	UTF-8
0000 ~007F	0XXX XXXX
0080 ~07FF	110X XXXX 10XX XXXX
0800 ~FFFF	1110XXXX 10XX XXXX 10XX XXXX
1 0000 ~1F FFFF	1111 0XXX 10XX XXXX 10XX XXXX 10XX XXXX
20 0000 ~3FF FFFF	1111 10XX 10XX XXXX 10XX XXXX 10XX XXXX 10XX XXXX
400 0000 ~7FFF FFFF	1111 110X 10XX XXXX 10XX XXXX 10XX XXXX 10XX XXXX 10XX XXXX

根據(jù)上面的轉(zhuǎn)換表，理解UTF-8的轉(zhuǎn)換編碼規(guī)則就變得非常簡單了：第一個(gè)字節(jié)的第一位如果為0，則表示這個(gè)字節(jié)單獨(dú)就是一個(gè)字符;如果為1，連續(xù)多少個(gè)1就表示該字符占有多少個(gè)字節(jié)。

以漢字"嚴(yán)"為例，演示如何實(shí)現(xiàn)UTF-8編碼^[3]。

已知"嚴(yán)"的unicode是4E25（100111000100101），根據(jù)上表，可以發(fā)現(xiàn)4E25處在第三行的范圍內(nèi)（0000 0800-0000 FFFF），因此"嚴(yán)"的UTF-8編碼需要三個(gè)字節(jié)，即格式是"1110xxxx 10xxxxxx 10xxxxxx"。然后，從"嚴(yán)"的最后一個(gè)二進(jìn)制位開始，依次從后向前填入格式中的x，多出的位補(bǔ)0。這樣就得到了，"嚴(yán)"的UTF-8編碼是"11100100 10111000 10100101"，轉(zhuǎn)換成十六進(jìn)制就是E4B8A5。

Unicode與UTF-8之間的轉(zhuǎn)換

通過上面的例子我們可以看到"嚴(yán)"的Unicode碼為4E25，UTF-8編碼為E4B8A5，他們兩者是不一樣的，需要通過程序的轉(zhuǎn)換來實(shí)現(xiàn)，在Window平臺最簡單的直觀的方法就是記事本。

在最下面的"編碼（E）"處有四個(gè)選項(xiàng)：ANSI、Unicode、Unicode big endian、UTF-8。

ANSI：記事本的默認(rèn)的編碼方式，對于英文文件是ASCII編碼，對于簡體中文文件是GB2312編碼。注意：不同 ANSI 編碼之間互不兼容，當(dāng)信息在國際間交流時(shí)，無法將屬于兩種語言的文字，存儲在同一段 ANSI 編碼的文本中

Unicode：UCS-2編碼方式，即直接用兩個(gè)字節(jié)存入字符的Unicode碼。該方式是"小頭"little endian方式。

Unicode big endian：UCS-2編碼方式，"大頭"方式。

UTF-8：閱讀上面（UTF-8）。

>>>實(shí)例：在記事本中輸入"嚴(yán)"字，依次選擇ANSI、Unicode、Unicode big endian、UTF-8四種編碼風(fēng)格，然后另存為，使用EditPlus文本工具使用"16進(jìn)制查看器"進(jìn)行查看，得到如下結(jié)果：

ANSI：兩個(gè)字節(jié)"D1 CF"正是"嚴(yán)"的GB2312編碼。

Unicode：四個(gè)字節(jié)"FF FE 25 4E"，其中"FF FE"表示小頭存儲方式，真正的編碼為"25 4E"。

Unicode big endian：四個(gè)字節(jié)"FE FF 4E 25"，"FE FF"表示大頭存儲方式，真正編碼為"4E 25"。

UTF-8：編碼是六個(gè)字節(jié)"EF BB BF E4 B8 A5"，前三個(gè)字節(jié)"EF BB BF"表示這是UTF-8編碼，后三個(gè)"E4B8A5"就是"嚴(yán)"的具體編碼，它的存儲順序與編碼順序是一致的。

標(biāo)簽： 代碼 電子郵件 互聯(lián)網(wǎng)

版權(quán)申明：本站文章部分自網(wǎng)絡(luò)，如有侵權(quán)，請聯(lián)系：west999com@outlook.com
特別注意：本站所有轉(zhuǎn)載文章言論不代表本站觀點(diǎn)！
本站所提供的圖片等素材，版權(quán)歸原作者所有，如需使用，請與原作者聯(lián)系。