中文字符集编码Unicode ,gb2312 , cp936 ,GBK,GB18030
GB2312只支持常用的汉字,而且是简体字。GBK支持繁体字和生僻字。
这是一篇程序员写给程序员的趣味读物。所谓趣味是指可以比较轻松地了解一些原来不清
楚的概念,增进知识,类似于打RPG游戏的升级。整理这篇文章的动机是两个问题:
问题一: 使用Windows记事本的“另存为”,可以在GBK、Unicode、Unicode big endian和UTF-8这 几种编码方式间相互转换。同样是txt文件,Windows是怎样识别编码方式的呢?
我
很早前就发现Unicode、Unicode big endian和UTF-8编码的txt文件的开头会多出几个字
节,分别是FF、FE(Unicode),FE、FF(Unicode big endian),EF、BB、BF(UTF-8)。
但这些标记是基于什么标准呢?
问题二:
最近在网上看到一个ConvertUTF.c,实现了UTF-32、UTF-16和UTF-8这三种编码方式的相互
转换。对于Unicode(UCS2)、GBK、UTF-8这些编码方式,我原来就了解。但这个程序让我有
些糊涂,想不起来UTF-16和UCS2有什么关系。
查了查相关资料,总算将这些问题弄清楚了,顺带也了解了一些Unicode的细节。作者写成 一篇文章,送给有过类似疑问的朋友。本文在写作时尽量做到通俗易懂,但要求读者知道 什么是字节,什么是十六进制。
0、big endian和little endian big endian和little
endian是CPU处理多字节数的不同方式。例如“汉”字的Unicode编码
是6C49。那么写到文件里时,究竟是将6C写在前面,还是将49写在前面?如果将6C写在前 面,就是big
endian。如果将49写在前面,就是little endian。
“endian”这个词出自《格列佛游记》。小人国的内战就源于吃鸡蛋时是究竟从大头(Big -Endian)敲开还是从小头(Little-Endian)敲开,由此曾发生过六次*,一个皇帝送了命 ,另一个丢了王位。
我们一般将endian翻译成“字节序”,将big endian和little endian称作“大尾”和“小 尾”。
1、字符编码、内码,顺带介绍汉字编码
字符必须编码后才能被计算机处理。计算机使用的缺省编码方式就是计算机的内码。早期 的计算机使用7位的ASCII编码,为了处理汉字,程序员设计了用于简体中文的GB2312和用 于繁体中文的big5。
GB2312(1980年)一共收录了7445个字符,包括6763个汉字和682个其它符号。汉字区的内码 范围高字节从B0-F7,低字节从A1-FE,占用的码位是72*94=6768。其中有5个空位是D7FA- D7FE。
GB2312
支持的汉字太少。1995年的汉字扩展规范GBK1.0收录了21886个符号,它分为汉字区 和图形符号区。汉字区包括
21003个字符。2000年的GB18030是取代GBK1.0的正式国家标准
。该标准收录了27484个汉字,同时还收录了藏文、蒙文、*文等主要的少数民族文字
。现在的PC平台必须支持GB18030,对嵌入式产品暂不作要求。所以手机、MP3一般只支持 GB2312。
从ASCII、GB2312、
GBK到GB18030,这些编码方法是向下兼容的,即同一个字符在这些方案
中总是有相同的编码,后面的标准支持更多的字符。在这些编码中,英文和中文可以统一
地处理。区分中文编码的方法是高字节的最高位不为0。按照程序员的称呼,GB2312、GBK 到 GB18030都属于双字节字符集
(DBCS)。
有的中文Windows的缺省内码还是GBK,可以通过GB18030升级包升级到GB18030。不过GB18 030相对GBK增加的字符,普通人是很难用到的,通常我们还是用GBK指代中文Windows内码 。
这里还有一些细节:
GB2312的原文还是区位码,从区位码到内码,需要在高字节和低字节上分别加上A0。
在DBCS中,GB内码的存储格式始终是big endian,即高位在前。
GB2312
的两个字节的最高位都是1。但符合这个条件的码位只有128*128=16384个。所以GB
K和GB18030的低字节最高位都可能不是1。不过这不影响DBCS字符流的解析:在读取DBCS字
符流时,只要遇到高位为1的字节,就可以将下两个字节作为一个双字节编码,而不用管低 字节的高位是什么。
2、Unicode、UCS和UTF
前面提到从ASCII、GB2312、GBK到GB18030的编码方法是向下兼容的。而Unicode只与ASCI I兼容(更准确地说,是与ISO-8859-1兼容),与GB码不兼容。例如“汉”字的Unicode编 码是6C49,而GB码是BABA。
Unicode
也是一种字符编码方法,不过它是由国际组织设计,可以容纳全世界所有语言文字 的编码方案。Unicode的学名是 "Universal
Multiple-Octet Coded Character Set",简 称为UCS。UCS可以看作是"Unicode Character
Set"的缩写。
根据*全书( http://zh.wikipedia.org/wiki/ )的记载:历史上存在两个试图独立
设计Unicode的组织,即国际标准化组织(ISO)和一个软件制造商的协会(unicode.org) 。ISO开发了ISO
10646项目,Unicode协会开发了Unicode项目。
在1991年前后,双方都认识到世界不需要两个不兼容的字符集。于是它们开始合并双方的 工作成果,并为创立一个单一编码表而协同工作。从Unicode2.0开始,Unicode项目采用了 与ISO 10646-1相同的字库和字码。
目前两个项目仍都存在,并独立地公布各自的标准。Unicode协会现在的最新版本是2005年 的Unicode 4.1.0。ISO的最新标准是ISO 10646-3:2003。
UCS
只是规定如何编码,并没有规定如何传输、保存这个编码。例如“汉”字的UCS编码是
6C49,我可以用4个ascii数字来传输、保存这个编码;也可以用utf-8编码:3个连续的字节 E6 B1
89来表示它。关键在于通信双方都要认可。UTF-8、UTF-7、UTF-16都是被广泛接受 的方案。UTF-8的一个特别的好处是它与ISO-
8859-1完全兼容。UTF是“UCS Transformat ion Format”的缩写。
IETF的RFC2781和RFC3629
以RFC的一贯风格,清晰、明快又不失严谨地描述了UTF-16和UTF -8的编码方法。我总是记不得IETF是Internet
Engineering Task Force的缩写。但IETF负 责维护的RFC是Internet上一切规范的基础。
2.1、内码和code page
目前Windows的内核已经采用Unicode编码,这样在内核上可以支持全世界所有的语言文字 。但是由于现有的大量程序和文档都采用了某种特定语言的编码,例如GBK,Windows不可 能不支持现有的编码,而全部改用Unicode。
Windows使用代码页(code page)来适应各个国家和地区。code page可以被理解为前面提到 的内码。GBK对应的code page是CP936。
微软也为GB18030定义了code page:CP54936。但是由于GB18030有一部分4字节编码,而W indows的代码页只支持单字节和双字节编码,所以这个code page是无法真正使用的。
3、UCS-2、UCS-4、BMP
UCS有两种格式:UCS-2和UCS-4。顾名思义,UCS-2就是用两个字节编码,UCS-4就是用4个 字节(实际上只用了31位,最高位必须为0)编码。下面让我们做一些简单的数学游戏:
UCS-2有2^16=65536个码位,UCS-4有2^31=2147483648个码位。
UCS-
4根据最高位为0的最高字节分成2^7=128个group。每个group再根据次高字节分为256 个plane。每个
plane根据第3个字节分为256行(rows),每行包含256个cells。当然同一行 的cells只是最后一个字节不同,其余都相同。
group 0的plane 0被称作Basic Multilingual Plane, 即BMP。或者说UCS-4中,高两个字 节为0的码位被称作BMP。
将UCS-4的BMP去掉前面的两个零字节就得到了UCS-2。在UCS-2的两个字节前加上两个零字 节,就得到了UCS-4的BMP。而目前的UCS-4规范中还没有任何字符被分配在BMP之外。
4、UTF编码
UTF-8就是以8位为单元对UCS进行编码。从UCS-2到UTF-8的编码方式如下:
UCS-2编码(16进制) UTF-8 字节流(二进制) 0000 - 007F 0xxxxxxx 0080 - 07FF 110xxx xx 10xxxxxx 0800 - FFFF 1110xxxx 10xxxxxx 10xxxxxx
例
如“汉”字的Unicode编码是6C49。6C49在0800-FFFF之间,所以肯定要用3字节模板了: 1110xxxx 10xxxxxx
10xxxxxx。将6C49写成二进制是:0110 110001 001001,用这个比特 流依次代替模板中的x,得到:11100110
10110001 10001001,即E6 B1 89。
读者可以用记事本测试一下我们的编码是否正确。需要注意,UltraEdit在打开utf-8编码 的文本文件时会自动转换为UTF-16,可能产生混淆。你可以在设置中关掉这个选项。更好 的工具是Hex Workshop。
UTF-
16以16位为单元对UCS进行编码。对于小于0x10000的UCS码,UTF-16编码就等于UCS码
对应的16位无符号整数。对于不小于0x10000的UCS码,定义了一个算法。不过由于实际使
用的UCS2,或者UCS4的BMP必然小于0x10000,所以就目前而言,可以认为UTF-16和UCS-2基
本相同。但UCS-2只是一个编码方案,UTF-16却要用于实际的传输,所以就不得不考虑字节 序的问题。
5、UTF的字节序和BOM
UTF-
8以字节为编码单元,没有字节序的问题。UTF-16以两个字节为编码单元,在解释一个
UTF-16文本前,首先要弄清楚每个编码单元的字节序。例如“奎”的Unicode编码是594E,
“乙”的Unicode编码是4E59。如果我们收到UTF-16字节流“594E”,那么这是“奎” 还 是“乙”?
Unicode规范中推荐的标记字节顺序的方法是BOM。BOM不是“Bill Of Material”的BOM表 ,而是Byte Order Mark。BOM是一个有点小聪明的想法:
在
UCS编码中有一个叫做"ZERO WIDTH NO-BREAK SPACE"的字符,它的编码是FEFF。而FFFE
在UCS中是不存在的字符,所以不应该出现在实际传输中。UCS规范建议我们在传输字节流 前,先传输字符"ZERO WIDTH NO-BREAK
SPACE"。
这样如果接收者收到FEFF,就表明这个字节流是Big-Endian的;如果收到FFFE,就表明这 个字节流是Little-Endian的。因此字符"ZERO WIDTH NO-BREAK SPACE"又被称作BOM。
UTF-
8不需要BOM来表明字节顺序,但可以用BOM来表明编码方式。字符"ZERO WIDTH NO-BR EAK SPACE"的UTF-8编码是EF
BB BF(读者可以用我们前面介绍的编码方法验证一下)。所 以如果接收者收到以EF BB BF开头的字节流,就知道这是UTF-8编码了。
Windows就是使用BOM来标记文本文件的编码方式的。
6、进一步的参考资料
本文主要参考的资料是 "Short overview of ISO-IEC 10646 and Unicode" ( http://ww w.nada.kth.se/i18n/ucs/unicode-iso10646-oview.html )。
我还找了两篇看上去不错的资料,不过因为我开始的疑问都找到了答案,所以就没有看:
"Understanding Unicode A general introduction to the Unicode Standard"
( http:
//scripts.sil.org/cms/scripts/page.php?site_id=nrsi&item_id=IWS-Chapter04a
) " Character set encoding basics Understanding character set
encodings and legacy encodings" (
http://scripts.sil.org/cms/scripts/page.php?site_id=nrsi&item_id
=IWS-Chapter03 ) 我写过UTF-8、UCS-2、GBK相互转换的软件包,包括使用Windows API和 不使用Windows
API的版本。以后有时间的话,我会整理一下放到我的个人主页上( http: //fmddlmyy.home4u.china.com )。
附录1 再说说区位码、GB2312、内码和代码页
有的朋友对文章中这句话还有疑问: “GB2312的原文还是区位码,从区位码到内码,需要 在高字节和低字节上分别加上A0。”
我再详细解释一下:
“GB2312
的原文”是指国家1980年的一个标准《*国家标准 信息交换用汉字 编码字符集 基本集 GB
2312-80》。这个标准用两个数来编码汉字和中文符号。第一个数
称为“区”,第二个数称为“位”。所以也称为区位码。1-9区是中文符号,16-55 区是一
级汉字,56-87区是二级汉字。现在Windows也还有区位输入法,例如输入1601得到“啊” 。
内码是指操作系统内部的字符编码。早期操
作系统的内码是与语言相关的.现在的Windows 在内部统一使用Unicode,然后用代码页适应各种语言,“内码”的概念就比较模糊了。微
软一般将缺省代码页指定的编码说成是内码,在特殊的场合也会说自己的内码是Unicode, 例如在 GB18030问题的处理上。
所谓代码页(code page)就是针对一种语言文字的字符编码。例如GBK的code page是CP936 ,BIG5的code page是CP950,GB2312的code page是CP20936。
Windows中有缺省代码页的概念,即缺省用什么编码来解释字符。例如Windows的记事本打 开了一个文本文件,里面的内容是字节流:BA、BA、D7、D6。Windows应该去怎么解释它呢 ?
是
按照Unicode编码解释、还是按照GBK解释、还是按照BIG5解释,还是按照ISO8859-1去解
释?如果按GBK去解释,就会得到“汉字”两个字。按照其它编码解释,可能找不到对应的
字符,也可能找到错误的字符。所谓“错误”是指与文本作者的本意不符,这时就产生了 乱码。
答案是Windows按照当前的缺省代码页去解释文本文件里的字节流。缺省代码页可以通过控 制面板的区域选项设置。记事本的另存为中有一项ANSI,其实就是按照缺省代码页的编码 方法保存。
Windows的内码是Unicode,它在技术上可以同时支持多个代码页。只要文件能说明自己使 用什么编码,用户又安装了对应的代码页,Windows就能正确显示,例如在HTML文件中就可 以指定charset。
有
的HTML文件作者,特别是英文作者,认为世界上所有人都使用英文,在文件中不指定ch
arset。如果他使用了0x80-0xff之间的字符,中文Windows又按照缺省的GBK去解释,就会
出现乱码。这时只要在这个html文件中加上指定charset的语句,例如:如果原作者使用的 代码页和ISO8859-1兼容,就不会出现乱码了。
再
说区位码,啊的区位码是1601,写成16进制是0x10,0x01。这和计算机广泛使用的ASCII 编码冲突。为了兼容00-7f的
ASCII编码,我们在区位码的高、低字节上分别加上A0。这样 “啊”的编码就成为B0A1。我们将加过两个A0的编码也称为GB2312编码,虽然
GB2312的原 文根本没提到这一点。