Unicode詳解又一篇

Unicode詳解又一篇2009-07-01第一篇：═══════════════════════════════════════════════Unicode(Universal Multiple-Octet Coded Character Set):目前最流行和最有前途的字元編碼規範,因為它解決了不同語言編碼的衝突。Uicode由來:最初的字元編碼ascii(8bit,最高位為0)只能表示128個字元,表示英文、數字和一些符號是沒問題。但是世界不止一種語言,即使用上了最高為1的擴展ascii碼,也只有256個字元。對中日韓文、阿拉伯文之類複雜的文字,就無法使用了。 於是,各國都制定了自己的兼容ascii編碼規範,就是各種ANSI碼,比如我國的gb2312，用兩個擴展ascii字元來表示一個中文。但是這些ansi碼無法同時存在,因為它們的定義互相重疊,要自由使用不同語言就必須有一個新編碼,為各種文字統一分配編碼。ISO(國際標準化組織)和Uicode協會(一個軟體製造商的協會）分別開始了這個工作。即ISO的ISO 10646項目和Unicode協會的Unicode項目。後來它們開始合併了雙方的工作成果，採用相同的字型檔和字碼。但目前兩個項目都存在並獨立地公布自己的標準。UCS(Unicode Character Set):這是Uicode在ISO的名稱,目有兩套編碼方法,UCS-2(Unicode)用2個位元組表示一個字元,UCS-4(Unicode-32)用4個位元組表示一個字元。UCS-4是由USC-2擴展來的,增加了2位元組的高位。即使是老UCS-2,它也可以表示2^16=65535個字元,基本上可以容納所有常用各國字元,所以目前基本都使用UCS-2。UTF(UCS Transformation Format):Unicode 使用2個位元組表示一個字元,ascii使用1個位元組,所以在很多方面產生了衝突，以前處理ascii的方法都必須重寫。而且C語言用作為字元串結束標誌,但Unicode中很多字元都含,C語言的字元串函數也無法正常處理Unicode。為了把unicode投入實用,出現了UTF,最常見的是 UTF-8和UTF-16。其中UTF-16和Unicode本身的編碼是一致的,UTF-32和UCS-4也是相同的。最重要的是UTF- 8,可以完全兼容ascii編碼。UTF是一種變長的編碼,它的位元組數是不固定的,使用第一個位元組確定位元組數。第一個位元組首為0即一個位元組,110即2位元組,1110即3位元組,字元後續位元組都用10開始,這樣不會混淆且單位元組英文字元可仍用ASCII編碼。理論上UTF-8最大可以用6位元組表示一個字元,但Unicode目前沒有用大於 0xffff的字元,實際UTF-8最多使用了3個位元組。unicode轉化為UTF-8的方法 Unicode碼範圍 UTF-8編碼(把Unicode碼轉為二進位填充x處)0000-007F 0xxxxxxx 0080-07FF 110xxxxx 10xxxxxx 0800-FFFF 1110xxxx 10xxxxxx 10xxxxxx漢字的Unicode編碼範圍是0080-07FF,因此是2位元組編碼。 Big Endian(大位元組序)和Little Endian(小位元組序):Unicode存儲時有個位元組序問題,就是一個多位元組數字,是從大到小排列還是反之。這和CPU處理有關,一般x86處理時都是倒置的,即大數在前。就像「莫」字的Unicode碼0x83ab,按Big Endian就變成了0xab83。BOM(Byte Order Mark):因為Unicode存儲時位元組序的問題,在Unicode文本前插入一個不存在的字元(ZERO WIDTH NO-BREAK SPACE)作為標誌來分辨兩種位元組序。標誌0xfeff說明按Big Endian位元組序,而0xfffe說明Little-Endian。UTF-8不需要BOM來說明位元組序，但可以用BOM標誌編碼方式。遇到帶0xefbbbf開頭的文本,計算機就可以不需要分辨直接按UTF-8編碼處理。BMP(Basic Multilingual Plane):這是Unicode實際和字元對應的劃分方式中的概念。按UCS-4為例子首位元組首位恆為0,剩下7位可以劃分2^7=128個group(組)。第二個位元組,每個group下面可以有2^8=256個plane(平面)。第三個位元組,可以給每個palne帶來256個row(行)。第四個位元組,這裡的8位又可以每row可以劃分256個cell(格子)。group 0中的plane 0就是BMP,即前兩個位元組為0x0000的UCS-4碼。去掉0x0000的BMP上的UCS-4就變成了UCS-2編碼。或者說UCS-2是USC- 4的子集,BMP就是UCS-2在USC-4中的位置。我們從這裡還可以得到USC-2轉為UCS-4的方法,再UCS-2前面插入2個位元組 0x0000。第二篇：═══════════════════════════════════════════════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。
推薦閱讀：