编码格式简介:ASCII码ANSIGBKGB2312GB18030和UnicodeUTF-8,BOM头
Posted 安迪9468
tags:
篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了编码格式简介:ASCII码ANSIGBKGB2312GB18030和UnicodeUTF-8,BOM头相关的知识,希望对你有一定的参考价值。
编码格式简介:ASCII码、ANSI、GBK、GB2312、GB18030和Unicode、UTF-8,BOM头
二进制:
只有0和1。
十进制、十六进制、八进制:
计算机其实挺笨的,它只认识0101这样的字符串(二进制),当然了我们看这样的01串时肯定会比较头晕的。
所以很多时候为了描述简单都用十进制,十六进制,八进制表示。实际上都是等价的,没啥太多不一样。
位(bit)
计算机中存储一个0,或者一个1的位置空间,叫做位。
字节(byte)
计算机中,我们把连续的8个位空间,叫做一个字节。
ASCII码:
128一版本ASCII码(7bits)。0-128-255二版本ASCII码(8bits。首位0,仍为一版本;首位1,为补充字符)
是American Standard Code for Information Interchange的缩写,美国信息交换标准代码。
那么ASCII码到底是什么呢?
我们知道其他啥文字图片之类的其他东东计算机不认识。那为了在计算机上表示这些信息就必须转换成一些数字。
你肯定不能想怎么转换就怎么转,必须得有定些规则。
于是刚开始的时候就有ASCII字符集,它使用7 bits来表示一个字符,总共表示128个字符。
我们一般都是用字节(byte,即8个01串)来作为基本单位。
那么怎么当用一个字节来表示字符时第一个bit总是0,剩下的七个字节就来表示实际内容。
后来IBM公司在此基础上进行了扩展,用8bit来表示一个字符,总共可以表示256个字符。也就是当第一个bit是0时仍表示之前那些常用的字符。当为1时就表示其他补充的字符。
ASCII码是单字节的字符编码方案,获得了国际标准化组织的认可,适用于所有拉丁文字字母。
ANSI
ANSI是一种字符代码,为使计算机支持更多语言,通常使用 0x80-0xFF(十进制为128-255) 范围的 2 个字节来表示 1 个字符。1.6万个字符空间。
不同的国家和地区制定了不同的标准,由此产生了各自的编码标准。
中国使用 2 个字节来代表一个字符的各种汉字,延伸编码方式的 ANSI 编码有GB2312 GBK GB18030。
不同 ANSI 编码之间互不兼容,当信息在国际间交流时,无法将属于两种语言的文字,存储在同一段 ANSI 编码的文本中。
在简体中文系统下,ANSI 编码代表 GB2312 编码,在日文操作系统下,ANSI 编码代表JIS 编码。
GB系列
是国家标准代号,就是简体标准字库,包括GB2312、GBK、GB18030、Big5(繁体,台湾和香港使用)。
GB2312
中国人民通过对 ASCII 编码的中文扩充改造,产生了 GB2312 编码,可以表示6000多个常用汉字。
GBK
汉字实在是太多了,包括繁体和各种字符,于是产生了 GBK 编码,它包括了 GB2312 中的编码,同时扩充了很多。
GB18030
中国是个多民族国家,各个民族几乎都有自己独立的语言系统,为了表示那些字符,继续把 GBK 编码扩充为 GB18030 编码。
Big5
又称为大五码或者五大码,是通行于台湾、香港地区的一个繁体字编码方案。地区标准号为:CNS11643,这就是人们讲的BIG-5码。
UCS(统一字符集。宏观)、Unicode、UTF-x微观
由于不同地区,使用了不同的ANSI字符代码。终于,有个叫ISO的组织看不下去了。他们一起创造了一种编码UNICODE,这种编码非常大,大到可以容纳世界上任何一个字符。
ISO取的名字叫UCS(Universal Character Set),UCS对应的编码格式就叫Unicode。
unicode和ansi都是字符代码的一种表示形式。unicode是国际标准,ANSI(也就是对美国的ASCII码的扩展,多字节)是各国标准。例如中国的ANSI代表GB系列,日本的ANSI代表JIS系列。美国直接用ASCII码(单字节)。
总结起来为啥需要Unicode,就是为了适应全球化的发展,便于不同语言之间的兼容交互,而ASCII不再能胜任此任务了。
unicode的第一个版本
Unicode是用0至65535(2^16)之间的数字来表示所有字符。
是用两个字节(16bit)来表示所有字符。实际上这么说容易让人产生歧义,我们总觉得两个字节就代表保存在计算机中时是两个字节。于是任何字符如果用unicode表示的话保存下来都占两个字节。其实这种说法是错误的。
其实Unicode涉及到两个步骤:
首先是定义一个规范,给所有的字符指定一个唯一对应的数字,65536是2的16次方,这完全是数学问题,可以跟计算机没半毛钱关系。
第二步才是怎么把字符对应的数字保存在计算机中,这才涉及到实际在计算机中占多少字节空间。怎么把0至65535这些数字转化成01串保存到计算机中。其中0至127这128个数字表示的字符仍然跟ASCII完全一样。这肯定就有不同的保存方式了。于是出现了UTF(unicode transformation format),有UTF-16,UTF-8。
中文多,优先用UTF-16。(在中国,优先用gbk)
英文多,优先用UTF-8。
小结:中文多,用gbk;英文多,用utf-8。
UTF-16:固定两个字节
UTF-16比较好理解,就是任何字符对应的数字都用两个字节来保存。我们通常对Unicode的误解就是把Unicode与UTF-16等同了。但是很显然如果都是英文字母这做有点浪费。明明用一个字节能表示一个字符为啥整两个啊。
UTF-8:可变字节。一个两个三个都可以。
于是又有个UTF-8,这里的8非常容易误导人,8不是指一个字节,难道一个字节表示一个字符?实际上不是。当用UTF-8时表示一个字符是可变的,有可能是用一个字节表示一个字符,也可能是两个,三个。当然最多不能超过3个字节了。反正是根据字符对应的数字大小来确定。
于是UTF-8和UTF-16的优劣很容易就看出来了。如果全部英文或英文与其他文字混合,但英文占绝大部分,用UTF-8就比UTF-16节省了很多空间。而如果全部是中文这样类似的字符或者混合字符中中文占绝大多数。UTF-16就占优势了,可以节省很多空间。另外还有个容错问题,等会再讲。
BOM头
看的有点晕了吧,举个例子。
假如中文字"汉"对应的unicode是6C49(这是十六进制,换成十进制27721)。你可能会问当用程序打开一个文件时我们怎么知道那是用的UTF-8还是UTF-16啊。自然会有点啥标志,在文件的开头几个字节就是标志,叫做BOM头。
EF BB BF 表示UTF-8
FE FF 表示UTF-16
用UTF-16表示"汉"
假如用UTF-16表示的话就是01101100 01001001(共16 bit,两个字节,换成十进制27721)。程序解析的时候知道是UTF-16就把两个字节当成一个单元来解析。这个很简单。
用UTF-8表示"汉"
用UTF-8就有复杂点。因为此时程序是把一个字节一个字节的来读取,然后再根据字节中开头的bit标志来识别是该把一个还是两个或三个字节做为一个单元来处理。
0xxxxxxx,如果是这样的01串,也就是以0开头后面是啥就不用管了XX代表任意bit。就表示把一个字节做为一个单元。就跟ASCII完全一样。
110xxxxx 10xxxxxx。如果是这样的格式,则把两个字节当一个单元。
1110xxxx 10xxxxxx 10xxxxxx 如果是这种格式则是三个字节当一个单元。
这是约定的规则。你用UTF-8来表示时必须遵守这样的规则。我们知道UTF-16不需要用啥字符来做标志。所以两字节也就是2的16次能表示65536个字符.
而UTF-8由于里面有额外的标志信息。所有一个字节只能表示2的7次方128个字符,两个字节只能表示2的11次方2048个字符。而三个字节能表示2的16次方,65536个字符。
由于"汉"的编码27721大于2048了所有两个字节还不够,只能用三个字节来表示。
所有要用1110xxxx 10xxxxxx 10xxxxxx这种格式,把27721对应的二进制从左到右填充XXX符号(实际上不一定从左到右,也可以从右到左,这是涉及到另外一个问题。等会说。)
刚说到填充方式可以不一样,于是就出现了Big-Endian,Little-Endian的术语。Big-Endian就是从左到右(大尾),Little-Endian是从右到左(小尾)。
由上面我们可以看出UTF-8需要判断每个字节中的开头标志信息,所以如果一当某个字节在传送过程中出错了,就会导致后面的字节也会解析出错。而UTF-16不会判断开头标志,即使错也只会错一个字符,所以容错能力强。
Unicode第二个版本
增加了UTF-32,局部重构了Unicode版本1的原样UTF-8、UTF-16。
前面说的都是unicode的第一个版本,但65536显然不算太多的数字,用它来表示常用的字符是没一点问题,足够了。
但如果加上很多特殊的就也不够了。于是从1996年开始又来了第二个版本,用四个字节表示所有字符。这样就出现了UTF-8,UTF16,UTF-32。
原理和之前肯定是完全一样的,UTF-32就是把所有的字符都用32bit也就是4个字节来表示。
然后UTF-8,UTF-16就视情况而定了。
UTF-8可以选择1至8个字节中的任一个来表示,而UTF-16只能是选两字节或四字节。
由于unicode版本2的原理完全是一样的,就不多说了。
前面说了要知道具体是哪种编码方式,需要判断文本开头的标志,下面是所有编码对应的开头标志:
EF BB BF UTF-8
FE FF UTF-16/UCS-2, little endian
FF FE UTF-16/UCS-2, big endian
FF FE 00 00 UTF-32/UCS-4, little endian
00 00 FE FF UTF-32/UCS-4, big endian
其中的UCS就是前面说的ISO制定的标准,和Unicode是完全一样的,只不过名字不一样。
ucs-2对应UTF-16;(固定两个字节)记:宏观说字节,微观说位。
ucs-4对应UTF-32;(固定四个字节)
UTF-8是没有对应的UCS
以上是关于编码格式简介:ASCII码ANSIGBKGB2312GB18030和UnicodeUTF-8,BOM头的主要内容,如果未能解决你的问题,请参考以下文章
编码格式简介(ANSIGBKGB2312UTF-8GB18030和 UNICODE)