會放這篇文章上來,主要也是因為最近作研究時有用到Unicode,需要它的編碼表,偶然間看到這篇文章覺得還不錯,雖然是舊文了,但裡面的一些知識,還是能讓人對於字元編碼有更多的了解。


--簡要解釋UCS、UTF、BMP、BOM等名詞  作者:fmddlmyy

  這是一篇程序員寫給程序員的趣味讀物。所謂趣味是指可以比較輕鬆地瞭解一些原來不清楚的概念,增進知識,類似於打RPG遊戲的昇級。整理這篇文章的動機是兩個問題:

問題一:
  使用Windows記事本的「另存為」,可以在GBK、Unicode、Unicode big endian和UTF-8這幾種編碼方式間相互轉換。同樣是txt文件,Windows是怎樣識別編碼方式的呢?

  我很早前就發現Unicode、Unicode big endian和UTF-8編碼的txt文件的開頭會多出幾個字元,分別是FF、FE(Unicode),FE、FF(Unicode big endian),EF、BB、BF(UTF-8)。但這些標記是關於什麼標準呢?

問題二:
  最近在網上看到一個ConvertUTF.c,實現了UTF-32、UTF-16和UTF-8這三種編碼方式的相互轉換。對於 Unicode(UCS2)、GBK、UTF-8這些編碼方式,我原來就瞭解。但這個程序讓我有些糊塗,想不起來UTF-16和UCS2有什麼關係。

  查了查相關資料,總算將這些問題弄清楚了,順帶也瞭解了一些Unicode的細節。作者寫成一篇文章,送給有過類似疑問的朋友。本文在寫作時盡量做到通俗易懂,但要求讀者知道什麼是字元,什麼是十六進制。

0、big endian和little endian

  big endian和little endian是CPU處理多字元數的不同方式。例如「漢」字的
Unicode編碼是6C49。那麼寫到文件裡時,究竟是將6C寫在前面,還是將49寫在前面?如果將6C寫在前面,就是big endian。如果將49寫在前面,就是little endian。

  「endian」這個詞出自《格列佛遊記》。小人國的內戰就源於吃雞蛋時是究竟從大頭(Big-Endian)敲開還是從小頭(Little-Endian)敲開,由此曾發生過六次叛亂,一個皇帝送了命,另一個丟了王位。

  我們一般將endian翻譯成「字元序」,將big endian和little endian稱作「大尾」和「小尾」。

1、字串編碼、內碼,順帶介紹漢字編碼

  字串必須編碼後才能被電腦處理。電腦使用的預設編碼方式就是電腦的內碼。早期的電腦使用7位的ASCII編碼,為了處理漢字,程序員設計了用於簡體中文的GB2312和用於繁體中文的big5。

  GB2312(1980年)一共收錄了744灌水限制符,包括6763個漢字和682個其它符號。漢字區的內碼範圍高字元從B0-F7,低字元從A1-FE,佔用的碼位是72*94=6768。其中有5個空位是D7FA-D7FE。

  GB2312支持的漢字太少。1995年的漢字增強規範GBK1.0收錄了21886個符號,它分為漢字區和圖形符號區。漢字區包括21003個字串。2000年的GB18030是取代GBK1.0的正式國家標準。該標準收錄了27484個漢字,同時還收錄了藏文、蒙文、維吾爾文等主要的少數民族文字。現在的PC平台必須支持GB18030,對嵌入式產品暫不作要求。所以手機、MP3一般只支持GB2312。

  從ASCII、GB2312、GBK到GB18030,這些編碼方法是向下相容的,即同一個字串在這些方案中總是有相同的編碼,後面的標準支持更多的字串。在這些編碼中,英文和中文可以統一地處理。區分中文編碼的方法是高字元的最高位不為0。按照程序員的稱呼,GB2312、GBK到GB18030都屬於雙字元字串集 (DBCS)。

  有的中文Windows的預設內碼還是GBK,可以通過GB18030昇級包昇級到GB18030。不過GB18030相對GBK增加的字串,普通人是很難用到的,通常我們還是用GBK指代中文Windows內碼。

這裡還有一些細節:

1GB2312的原文還是區位碼,從區位碼到內碼,需要在高字元和低字元上分別加上A0。
2在DBCS中,GB內碼的儲存於格式始終是big endian,即高位在前。
3GB2312的兩個字元的最高位都是1。但符合這個條件的碼位只有128*128=16384個。所以GBK和GB18030的低字元最高位都可能不是1。不過這不影響DBCS字串流的解析:在讀取DBCS字串流時,只要遇到高位為1的字元,就可以將下兩個字元作為一個雙字元編碼,而不用管低字元的高位是什麼。

2、Unicode、UCS和UTF

  前面提到從ASCII、GB2312、GBK到GB18030的編碼方法是向下相容的。而Unicode只與ASCII相容(更準確地說,是與ISO-8859-1相容),與GB碼不相容。例如「漢」字的Unicode編碼是6C49,而GB碼是BABA。

  Unicode也是一種字串編碼方法,不過它是由國際組織設計,可以容納全世界所有語言文字的編碼方案。Unicode的學名是"Universal Multiple-Octet Coded Character Set",簡稱為UCS。UCS可以看作是"Unicode Character Set"的縮寫。

  根據維基百科全書(http://zh.wikipedia.org/wiki/ )的記載:歷史上存在兩個試圖獨立設計Unicode的組織,即國際標準化組織(ISO)和一個軟體製造商的協會(unicode.org)。ISO開發了ISO 10646項目,Unicode協會開發了Unicode項目。

  在1991年前後,雙方都認識到世界不需要兩個不相容的字串集。於是它們開始合併雙方的工作成果,並為創立一個單一編碼表而協同工作。從Unicode2.0開始,Unicode項目採用了與ISO 10646-1相同的字庫和字碼。

  目前兩個項目仍都存在,並獨立地公佈各自的標準。Unicode協會現在的最新版本是2005年的Unicode 4.1.0。ISO的最新標準是ISO 10646-3:2003。

  UCS只是規定如何編碼,並沒有規定如何傳輸、儲存這個編碼。例如「漢」字的UCS編碼是6C49,我可以用4個ascii數位來傳輸、儲存這個編碼;也可以用utf-8編碼:3個連續的字元E6 B1 89來表示它。關鍵在於通信雙方都要認可。UTF-8、UTF-7、UTF-16都是被廣泛接受的方案。UTF-8的一個特別的好處是它與ISO- 8859-1完全相容。UTF是「UCS Transformation Format」的縮寫。

  IETF的RFC2781和RFC3629以RFC的一貫風格,清晰、明快又不失嚴謹地描述了UTF-16和UTF-8的編碼方法。我總是記不得 IETF是Internet Engineering Task Force的縮寫。但IETF負責維護的RFC是Internet上一切規範的基礎。

2.1、內碼和code page

  目前Windows的內核已經採用Unicode編碼,這樣在內核上可以支持全世界所有的語言文字。但是由於現有的大量程序和文件都採用了某種特定語言的編碼,例如GBK,Windows不可能不支持現有的編碼,而全部改用Unicode。

  Windows使用程式碼頁(code page)來適應各個國家和地區。code page可以被理解為前面提到的內碼。GBK對應的code page是CP936。

  微軟也為GB18030定義了code page:CP54936。但是由於GB18030有一部分4字元編碼,而Windows的程式碼頁只支持單字元和雙字元編碼,所以這個code page是無法真正使用的。

3、UCS-2、UCS-4、BMP

  UCS有兩種格式:UCS-2和UCS-4。顧名思義,UCS-2就是用兩個字元編碼,UCS-4就是用4個字元(實際上只用了31位,最高位必須為0)編碼。下面讓我們做一些簡單的數學遊戲:

  UCS-2有2^16=65536個碼位,UCS-4有2^31=2147483648個碼位。

  UCS-4根據最高位為0的最高字元分成2^7=128個group。每個group再根據次高字元分為256個plane。每個plane根據第3 個字元分為256行(rows),每行包含256個cells。當然同一行的cells只是最後一個字元不同,其餘都相同。

  group 0的plane 0被稱作Basic Multilingual Plane, 即BMP。或者說UCS-4中,高兩個字元為0的碼位被稱作BMP。

  將UCS-4的BMP去掉前面的兩個零字元就得到了UCS-2。在UCS-2的兩個字元前加上兩個零字元,就得到了UCS-4的BMP。而目前的UCS-4規範中還沒有任何字串被分配在BMP之外。

4、UTF編碼

  UTF-8就是以8位為單元對UCS進行編碼。從UCS-2到UTF-8的編碼方式如下:
     UCS-2編碼(16進制)      UTF-8 字元流(二進制)
     0000 - 007F         0xxxxxxx
     0080 - 07FF         110xxxxx 10xxxxxx
     0800 - FFFF         1110xxxx 10xxxxxx 10xxxxxx

  例如「漢」字的Unicode編碼是6C49。6C49在0800-FFFF之間,所以肯定要用3字元範本了:1110xxxx 10xxxxxx 10xxxxxx。將6C49寫成二進制是:0110 110001 001001, 用這個比特流依次替代範本中的x,得到:11100110 10110001 10001001,即E6 B1 89。

  讀者可以用記事本測試一下我們的編碼是否正確。需要注意,UltraEdit在開啟utf-8編碼的文本文件時會自動轉換為UTF-16,可能產生混淆。你可以在設定中關掉這個選項。更好的工具是Hex Workshop。

  UTF-16以16位為單元對UCS進行編碼。對於小於0x10000的UCS碼,UTF-16編碼就等於UCS碼對應的16位無符號整數。對於不小於0x10000的UCS碼,定義了一個算法。不過由於實際使用的UCS2,或者UCS4的BMP必然小於0x10000,所以就目前而言,可以認為 UTF-16和UCS-2基本相同。但UCS-2只是一個編碼方案,UTF-16卻要用於實際的傳輸,所以就不得不考慮字元序的問題。

5、UTF的字元序和BOM

  UTF-8以字元為編碼單元,沒有字元序的問題。UTF-16以兩個字元為編碼單元,在解釋一個UTF-16文本前,首先要弄清楚每個編碼單元的字元序。例如「奎」的Unicode編碼是594E,「乙」的Unicode編碼是4E59。如果我們收到UTF-16字元流「594E」,那麼這是「奎」還是「乙」?

  Unicode規範中推薦的標記字元順序的方法是BOM。BOM不是「Bill Of Material」的BOM表,而是Byte Order Mark。BOM是一個有點小聰明的想法:

  在UCS編碼中有一個叫做"ZERO WIDTH NO-BREAK SPACE"的字串,它的編碼是FEFF。而FFFE在UCS中是不存在的字串,所以不應該出現在實際傳輸中。UCS規範建議我們在傳輸字元流前,先傳輸字串"ZERO WIDTH NO-BREAK SPACE"。

  這樣如果接收者收到FEFF,就表明這個字元流是Big-Endian的;如果收到FFFE,就表明這個字元流是Little-Endian的。因此字串"ZERO WIDTH NO-BREAK SPACE"又被稱作BOM。

  UTF-8不需要BOM來表明字元順序,但可以用BOM來表明編碼方式。字串"ZERO WIDTH NO-BREAK SPACE"的UTF-8編碼是EF BB BF(讀者可以用我們前面介紹的編碼方法驗證一下)。所以如果接收者收到以EF BB BF開頭的字元流,就知道這是UTF-8編碼了。

  Windows就是使用BOM來標記文本文件的編碼方式的。

6、進一步的參考資料

  本文主要參考的資料是 "Short overview of ISO-IEC 10646 and Unicode" 。
  我還找了兩篇看上去不錯的資料,不過因為我開始的疑問都找到了答案,所以就沒有看:
  "Understanding Unicode A general introduction to the Unicode Standard"
  "Character set encoding basics Understanding character set encodings and legacy encodings"

  我寫過UTF-8、UCS-2、GBK相互轉換的軟體包,包括使用Windows API和不使用Windows API的版本。以後有時間的話,我會整理一下放到我的個人主頁上

(http://fmddlmyy.home4u.china.com )。

附錄1 再說說區位碼、GB2312、內碼和程式碼頁

  有的朋友對文章中這句話還有疑問:
  「GB2312的原文還是區位碼,從區位碼到內碼,需要在高字元和低字元上分別加上A0。」

  我再詳細解釋一下:
  「GB2312的原文」是指國家1980年的一個標準《中華人民共和國國家標準 訊息交換用漢字編碼字串集 基本集 GB 2312-80》。這個標準用兩個數來編碼漢字和中文符號。第一個數稱為「區」,第二個數稱為「位」。所以也稱為區位碼。1-9區是中文符號,16-55 區是一級漢字,56-87區是二級漢字。現在Windows也還有區位輸入法,例如輸入1601得到「啊」。

  內碼是指操作系統內部的字串編碼。早期操作系統的內碼是與語言相關的.現在的Windows在內部統一使用Unicode,然後用程式碼頁適應各種語言,「內碼」的概念就比較模糊了。微軟一般將預設程式碼頁指定的編碼說成是內碼,在特殊的場合也會說自己的內碼是Unicode,例如在GB18030問題的處理上。

  所謂程式碼頁(code page)就是針對一種語言文字的字串編碼。例如GBK的code page是CP936,BIG5的code page是CP950,GB2312的code page是CP20936。

  Windows中有預設程式碼頁的概念,即預設用什麼編碼來解釋字串。例如Windows的記事本開啟了一個文本文件,裡面的內容是字元流:BA、BA、D7、D6。Windows應該去怎麼解釋它呢?

  是按照Unicode編碼解釋、還是按照GBK解釋、還是按照BIG5解釋,還是按照ISO8859-1去解釋?如果按GBK去解釋,就會得到「漢字」兩個字。按照其它編碼解釋,可能找不到對應的字串,也可能找到錯誤的字串。所謂「錯誤」是指與文本作者的本意不符,這時就產生了亂碼。

  答案是Windows按照現用的預設程式碼頁去解釋文本文件裡的字元流。預設程式碼頁可以通過控制台的區域選項設定。記事本的另存為中有一項ANSI,其實就是按照預設程式碼頁的編碼方法儲存。

  Windows的內碼是Unicode,它在技術上可以同時支持多個程式碼頁。只要文件能說明自己使用什麼編碼,用戶又安裝了對應的程式碼頁,Windows就能正確顯示,例如在HTML文件中就可以指定charset。

  有的HTML文件作者,特別是英文作者,認為世界上所有人都使用英文,在文件中不指定charset。如果他使用了0x80-0xff之間的字串,中文Windows又按照預設的GBK去解釋,就會出現亂碼。這時只要在這個html文件中加上指定charset的語句,例如:
如果原作者使用的程式碼頁和ISO8859-1相容,就不會出現亂碼了。

  再說區位碼,啊的區位碼是1601,寫成16進制是0x10,0x01。這和電腦廣泛使用的ASCII編碼衝突。為了相容00-7f的ASCII編碼,我們在區位碼的高、低字元上分別加上A0。這樣「啊」的編碼就成為B0A1。我們將加過兩個A0的編碼也稱為GB2312編碼,雖然GB2312的原文根本沒提到這一點。

中日韓漢字Unicode編碼表
http://khiav.myweb.hinet.net/html/unicode.htm
網頁式的Unicode轉換器-但顯示的編碼為十進制
http://tool.webmasterhome.cn/unicode.asp

資料來源:http://forum.slime.com.tw/thread169880.html

arrow
arrow
    全站熱搜

    flykof 發表在 痞客邦 留言(1) 人氣()