Unicode字元編碼規範

Unicode是一種字元編碼規範 。　　先從ASCII說起。ASCII是用來表示英文字元的一種編碼規範，每個ASCII字元佔用1個位元組（8bits） 　　因此，ASCII編碼可以表示的最大字元數是256，其實英文字元並沒有那麼多，一般只用前128個（最高位為0），其中包括了控制字元、數字、大小寫字母和其他一些符號 。　　而最高位為1的另128個字元被成為「擴展ASCII」，一般用來存放英文的製表符、部分音標字元等等的一些其他符號，這種字元編碼規範顯然用來處理英文沒有什麼問題。（實際上也可以用來處理法文、德文等一些其他的西歐字元，但是不能和英文通用），但是面對中文、阿拉伯文之類複雜的文字，255個字元顯然不夠用 　　於是，各個國家紛紛制定了自己的文字編碼規範，其中中文的文字編碼規範叫做「GB2312-80」，它是和ASCII兼容的一種編碼規範，其實就是利用擴展ASCII沒有真正標準化這一點，把一個中文字元用兩個擴展ASCII字元來表示。 　　但是這個方法有問題，最大的問題就是，中文文字沒有真正屬於自己的編碼，因為擴展ASCII碼雖然沒有真正的標準化，但是PC里的ASCII碼還是有一個事實標準的（存放著英文製表符），所以很多軟體利用這些符號來畫表格。這樣的軟體用到中文系統中，這些表格符就會被誤認作中文字，破壞版面。而且，統計中英文混合字元串中的字數，也是比較複雜的，我們必須判斷一個ASCII碼是否擴展，以及它的下一個ASCII是否擴展，然後才「猜」那可能是一個中文字 。　　總之當時處理中文是很痛苦的。而更痛苦的是GB2312是國家標準，台灣當時有一個Big5編碼標準，很多編碼和GB是相同的，所以……，嘿嘿。 　　這時候，我們就知道，要真正解決中文問題，不能從擴展ASCII的角度入手，也不能僅靠中國一家來解決。而必須有一個全新的編碼系統，這個系統要可以將中文、英文、法文、德文……等等所有的文字統一起來考慮，為每個文字都分配一個單獨的編碼，這樣才不會有上面那種現象出現。 　　於是，Unicode誕生了。 　　Unicode有兩套標準，一套叫UCS-2(Unicode-16)，用2個位元組為字元編碼，另一套叫UCS-4(Unicode-32)，用4個位元組為字元編碼。 　　以目前常用的UCS-2為例，它可以表示的字元數為2^16=65535，基本上可以容納所有的歐美字元和絕大部分的亞洲字元 。　　UTF-8的問題後面會提到 。　　在Unicode里，所有的字元被一視同仁。漢字不再使用「兩個擴展ASCII」，而是使用「1個Unicode」，注意，現在的漢字是「一個字元」了，於是，拆字、統計字數這些問題也就自然而然的解決了 。　　但是，這個世界不是理想的，不可能在一夜之間所有的系統都使用Unicode來處理字元，所以Unicode在誕生之日，就必須考慮一個嚴峻的問題：和ASCII字符集之間的不兼容問題。 　　我們知道，ASCII字元是單個位元組的，比如「A」的ASCII是65。而Unicode是雙位元組的，比如「A」的Unicode是0065，這就造成了一個非常大的問題：以前處理ASCII的那套機制不能被用來處理Unicode了 。　　另一個更加嚴重的問題是，C語言使用""作為字元串結尾，而Unicode里恰恰有很多字元都有一個位元組為0，這樣一來，C語言的字元串函數將無法正常處理Unicode，除非把世界上所有用C寫的程序以及他們所用的函數庫全部換掉 。　　於是，比Unicode更偉大的東東誕生了，之所以說它更偉大是因為它讓Unicode不再存在於紙上，而是真實的存在於我們大家的電腦中。那就是：UTF。　　UTF= UCS Transformation Format UCS轉換格式，它是將Unicode編碼規則和計算機的實際編碼對應起來的一個規則。現在流行的UTF有2種：UTF-8和UTF-16 。　　其中UTF-16和上面提到的Unicode本身的編碼規範是一致的，這裡不多說了。而UTF-8不同，它定義了一種「區間規則」，這種規則可以和ASCII編碼保持最大程度的兼容 。　　UTF-8有點類似於Haffman編碼，它將Unicode編碼為00000000-0000007F的字元，用單個位元組來表示； 　　　　00000080-000007FF的字元用兩個位元組表示 　　　　00000800-0000FFFF的字元用3位元組表示 　　因為目前為止Unicode-16規範沒有指定FFFF以上的字元，所以UTF-8最多是使用3個位元組來表示一個字元。但理論上來說，UTF-8最多需要用6位元組表示一個字元。 　　在UTF-8里，英文字元仍然跟ASCII編碼一樣，因此原先的函數庫可以繼續使用。而中文的編碼範圍是在0080-07FF之間，因此是2個位元組表示（但這兩個位元組和GB編碼的兩個位元組是不同的），用專門的Unicode處理類可以對UTF編碼進行處理。 　　下面說說中文的問題。 　　由於歷史的原因，在Unicode之前，一共存在過3套中文編碼標準。 　　GB2312-80，是中國大陸使用的國家標準，其中一共編碼了6763個常用簡體漢字。Big5，是台灣使用的編碼標準，編碼了台灣使用的繁體漢字，大概有8千多個。HKSCS，是中國香港使用的編碼標準，字體也是繁體，但跟Big5有所不同。 　　這3套編碼標準都採用了兩個擴展ASCII的方法，因此，幾套編碼互不兼容，而且編碼區間也各有不同 　　因為其不兼容性，在同一個系統中同時顯示GB和Big5基本上是不可能的。當時的南極星、RichWin等等軟體，在自動識別中文編碼、自動顯示正確編碼方面都做了很多努力。　　他們用了怎樣的技術我就不得而知了，我知道好像南極星曾經以同屏顯示繁簡中文為賣點。 　　後來，由於各方面的原因，國際上又制定了針對中文的統一字符集GBK和GB18030，其中GBK已經在Windows、Linux等多種操作系統中被實現。 　　GBK兼容GB2312，並增加了大量不常用漢字，還加入了幾乎所有的Big5中的繁體漢字。但是GBK中的繁體漢字和Big5中的幾乎不兼容。 　　GB18030相當於是GBK的超集，比GBK包含的字元更多。據我所知目前還沒有操作系統直接支持GB18030。 　　談談Unicode編碼，簡要解釋UCS、UTF、BMP、BOM等名詞　　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了解一些原來不清楚的概念，增進知識，類似於打RPG遊戲的升級。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位元組，分別是FF、FE（Unicode）,FE、FF（Unicode big endian）,EF、BB、BF（UTF-8）。但這些標記是基於什麼標準呢？　　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，我原來就了解。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，順帶也了解了一些Unicode的細節。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位元組，什麼是十六進位。　　0、big endian和little endian　　big endian和little 　　endian是CPU處理多位元組數的不同方式。例如「漢」字的Unicode編碼是6C49。那麼寫到文件里時，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。還是將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，其中一個皇帝送了命，另一個丟了王位。　　我們一般將endian翻譯成「位元組序」，將big endian和little endian稱作「大尾」和「小尾」。　　1、字元編碼、內碼，順帶介紹漢字編碼字元必須編碼後才能被計算機處理。計算機使用的預設編碼方式就是計算機的內碼。早期的計算機使用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7445個字元，包括6763個漢字和682個其它符號。漢字區的內碼範圍高位元組從B0-F7，低位元組從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年的漢字擴展規範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個字元。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兼容的，即同一個字元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元。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位元組的最高位不為0。按照程序員的稱呼，GB2312、GBK到GB18030都屬於雙位元組字符集 (DBCS)。　　有的中文Windows的預設內碼還是GBK，可以通過GB18030升級包升級到GB18030。不過GB18030相對GBK增加的字元，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：　　GB2312的原文還是區位碼，從區位碼到內碼，需要在高位元組和低位元組上分別加上A0。　　在DBCS中，GB內碼的存儲格式始終是big endian，即高位在前。　　GB2312的兩個位元組的最高位都是1。但符合這個條件的碼位只有128*128=16384個。所以GBK和GB18030的低位元組最高位都可能不是1。不過這不影響DBCS字元流的解析：在讀取DBCS字元流時，只要遇到高位為1的位元組，就可以將下兩個位元組作為一個雙位元組編碼，而不用管低位元組的高位是什麼。　　2、Unicode、UCS和UTF前面提到從ASCII、GB2312、GBK到GB18030的編碼方法是向下兼容的。而Unicode只與ASCII兼容（更準確地說，是與ISO-8859-1兼容），與GB碼不兼容。例如「漢」字的Unicode編碼是6C49，而GB碼是BABA。　　Unicode也是一種字元編碼方法，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"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兼容的字符集。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相同的字型檔和字碼。　　目前兩個項目仍都存在，並獨立地公布各自的標準。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10646-3:2003。　　UCS規定了怎麼用多個位元組表示各種文字。怎樣傳輸這些編碼，是由UTF(UCS Transformation Format)規範規定的，常見的UTF規範包括UTF-8、UTF-7、UTF-16。　　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。　　3、UCS-2、UCS-4、BMP　　UCS有兩種格式：UCS-2和UCS-4。顧名思義，UCS-2就是用兩個位元組編碼，UCS-4就是用4個位元組（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的最高位元組分成2^7=128個group。每個group再根據次高位元組分為256個plane。每個plane根據第3個位元組分為256行 (rows)，每行包含256個cells。當然同一行的cells只是最後一個位元組不同，其餘都相同。　　group 0的plane 0被稱作Basic Multilingual Plane, 即BMP。或者說UCS-4中，高兩個位元組為0的碼位被稱作BMP。將UCS-4的BMP去掉前面的兩個零位元組就得到了UCS-2。在UCS-2的兩個位元組前加上兩個零位元組，就得到了UCS-4的BMP。而目前的UCS-4規範中還沒有任何字元被分配在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進位) UTF-8 位元組流(二進位)　　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位元組模板了：1110xxxx 10xxxxxx 10xxxxxx。將6C49寫成二進位是：0110 110001 001001， 用這個比特流依次代替模板中的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。　　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，定義了一個演算法。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隻是一個編碼方案，UTF-16卻要用於實際的傳輸，所以就不得不考慮位元組序的問題。　　5、UTF的位元組序和BOM　　UTF-8以位元組為編碼單元，沒有位元組序的問題。UTF-16以兩個位元組為編碼單元，在解釋一個UTF-16文本前，首先要弄清楚每個編碼單元的位元組序。例如收到一個「奎」的Unicode編碼是594E，「乙」的Unicode編碼是4E59。如果我們收到UTF-16位元組流「594E」，那麼這是「奎」還是「乙」？　　Unicode規範中推薦的標記位元組順序的方法是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"的字元，它的編碼是FEFF。而FFFE在UCS中是不存在的字元，所以不應該出現在實際傳輸中。UCS規範建議我們在傳輸位元組流前，先傳輸字元"ZERO WIDTH NO-BREAK SPACE"。　　這樣如果接收者收到FEFF，就表明這個位元組流是Big-Endian的；如果收到FFFE，就表明這個位元組流是Little-Endian的。因此字元"ZERO WIDTH NO-BREAK SPACE"又被稱作BOM。　　UTF-8不需要BOM來表明位元組順序，但可以用BOM來表明編碼方式。字元"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開頭的位元組流，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" (http://www.nada.kth.se/i18n/ucs/unicode-iso10646-oview.html)。　　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" (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)
推薦閱讀：