unicode,ansi,utf-8,unicode big endian编码的区别

作者：于洋
链接：http://www.zhihu.com/question/23374078/answer/69732605
来源：知乎
著作权归作者所有，转载请联系作者获得授权。

=============很久以前保存的，别人写的但是很明了=============

很久很久以前，有一群人，他们决定用8个可以开合的晶体管来组合成不同的状态，以表示世界上的万物。他们看到8个开关状态是好的，于是他们把这称为”字节“。再后来，他们又做了一些可以处理这些字节的机器，机器开动了，可以用字节来组合出很多状态，状态开始变来变去。他们看到这样是好的，于是它们就这机器称为”计算机“。


开始计算机只在美国用。八位的字节一共可以组合出256(2的8次方)种不同的状态。 他们把其中的编号从0开始的32种状态分别规定了特殊的用途，一但终端、打印机遇上约定好的这些字节被传过来时，就要做一些约定的动作。遇上0×10, 终端就换行，遇上0×07, 终端就向人们嘟嘟叫，例好遇上0x1b, 打印机就打印反白的字，或者终端就用彩色显示字母。他们看到这样很好，于是就把这些0×20以下的字节状态称为”控制码”。他们又把所有的空 格、标点符号、数字、大小写字母分别用连续的字节状态表示，一直编到了第127号，这样计算机就可以用不同字节来存储英语的文字了。大家看到这样，都感觉 很好，于是大家都把这个方案叫做 ANSI 的”Ascii”编码（American Standard Code for Information Interchange，美国信息互换标准代码）。当时世界上所有的计算机都用同样的ASCII方案来保存英文文字。


后来，就像建造巴比伦塔一样，世界各地的都开始使用计算机，但是很多国家用的不是英文，他们的字母里有许多是ASCII里没有的，为了可以在计算机 保存他们的文字，他们决定采用 127号之后的空位来表示这些新的字母、符号，还加入了很多画表格时需要用下到的横线、竖线、交叉等形状，一直把序号编到了最后一个状态255。从128 到255这一页的字符集被称”扩展字符集“。从此之后，贪婪的人类再没有新的状态可以用了，美帝国主义可能没有想到还有第三世界国家的人们也希望可以用到计算机吧！


等中国人们得到计算机时，已经没有可以利用的字节状态来表示汉字，况且有6000多个常用汉字需要保存呢。但是这难不倒智慧的中国人民，我们不客气 地把那些127号之后的奇异符号们直接取消掉, 规定：一个小于127的字符的意义与原来相同，但两个大于127的字符连在一起时，就表示一个汉字，前面的一个字节（他称之为高字节）从0xA1用到 0xF7，后面一个字节（低字节）从0xA1到0xFE，这样我们就可以组合出大约7000多个简体汉字了。在这些编码里，我们还把数学符号、罗马希腊的 字母、日文的假名们都编进去了，连在 ASCII 里本来就有的数字、标点、字母都统统重新编了两个字节长的编码，这就是常说的”全角”字符，而原来在127号以下的那些就叫”半角”字符了。 中国人民看到这样很不错，于是就把这种汉字方案叫做 “GB2312“。GB2312 是对 ASCII 的中文扩展。


但是中国的汉字太多了，我们很快就就发现有许多人的人名没有办法在这里打出来，特别是某些很会麻烦别人的国家领导人。于是我们不得不继续把 GB2312 没有用到的码位找出来老实不客气地用上。 后来还是不够用，于是干脆不再要求低字节一定是127号之后的内码，只要第一个字节是大于127就固定表示这是一个汉字的开始，不管后面跟的是不是扩展字 符集里的内容。结果扩展之后的编码方案被称为 GBK 标准，GBK包括了GB2312 的所有内容，同时又增加了近20000个新的汉字（包括繁体字）和符号。 后来少数民族也要用电脑了，于是我们再扩展，又加了几千个新的少数民族的字，GBK扩成了 GB18030。从此之后，中华民族的文化就可以在计算机时代中传承了。 中国的程序员们看到这一系列汉字编码的标准是好的，于是通称他们叫做 “DBCS“（Double Byte Charecter Set 双字节字符集）。在DBCS系列标准里，最大的特点是两字节长的汉字字符和一字节长的英文字符并存于同一套编码方案里，因此他们写的程序为了支持中文处 理，必须要注意字串里的每一个字节的值，如果这个值是大于127的，那么就认为一个双字节字符集里的字符出现了。那时候凡是受过加持，会编程的计算机僧侣 们都要每天念下面这个咒语数百遍： “一个汉字算两个英文字符！一个汉字算两个英文字符……”


因为当时各个国家都像中国这样搞出一套自己的编码标准，结果互相之间谁也不懂谁的编码，谁也不支持别人的编码，连大陆和台湾这样只相隔了150海 里，使用着同一种语言的兄弟地区，也分别采用了不同的 DBCS 编码方案——当时的中国人想让电脑显示汉字，就必须装上一个”汉字系统”，专门用来处理汉字的显示、输入的问题，但是那个台湾的愚昧封建人士写的算命程序 就必须加装另一套支持 BIG5 编码的什么”倚天汉字系统”才可以用，装错了字符系统，显示就会乱了套！这怎么办？而且世界民族之林中还有那些一时用不上电脑的穷苦人民，他们的文字又怎 么办？ 真是计算机的巴比伦塔命题啊！


正在这时，大天使加百列及时出现了——一个叫 ISO （国际标谁化组织）的国际组织决定着手解决这个问题。他们采用的方法很简单：废了所有的地区性编码方案，重新搞一个包括了地球上所有文化、所有字母和符号 的编码！他们打算叫它”Universal Multiple-Octet Coded Character Set”，简称 UCS, 俗称 “unicode“。


unicode开始制订时，计算机的存储器容量极大地发展了，空间再也不成为问题了。于是 ISO 就直接规定必须用两个字节，也就是16位来统一表示所有的字符，对于ASCII里的那些“半角”字符，unicode包持其原编码不变，只是将其长度由原 来的8位扩展为16位，而其他文化和语言的字符则全部重新统一编码。由于”半角”英文符号只需要用到低8位，所以其高8位永远是0，因此这种大气的方案在 保存英文文本时会多浪费一倍的空间。


这时候，从旧社会里走过来的程序员开始发现一个奇怪的现象：他们的strlen函数靠不住了，一个汉字不再是相当于两个字符了，而是一个！是的，从unicode开始，无论是半角的英文字母，还是全角的汉字，它们都是统一的”一个字符“！同时，也都是统一的”两个字节“，请注意”字符”和”字节”两个术语的不同，“字节”是一个8位的物理存贮单元，而“字符”则是一个文化相关的符号。在unicode中，一个字符就是两个字节。一个汉字算两个英文字符的时代已经快过去了。


unicode同样也不完美，这里就有两个的问题，一个是，如何才能区别unicode和ascii？计算机怎么知道三个字节表示一个符号，而不是 分别表示三个符号呢？第二个问题是，我们已经知道，英文字母只用一个字节表示就够了，如果unicode统一规定，每个符号用三个或四个字节表示，那么每 个英文字母前都必然有二到三个字节是0，这对于存储空间来说是极大的浪费，文本文件的大小会因此大出二三倍，这是难以接受的。


unicode在很长一段时间内无法推广，直到互联网的出现，为解决unicode如何在网络上传输的问题，于是面向传输的众多 UTF（UCS Transfer Format）标准出现了，顾名思义，UTF-8就是每次8个位传输数据，而UTF-16就是每次16个位。UTF-8就是在互联网上使用最广的一种unicode的实现方式，这是为传输而设计的编码，并使编码无国界，这样就可以显示全世界上所有文化的字符了。

UTF-8最大的一个特点，就是它是一种变长的编码方式。它可以使用1~4个字节表示一个符号，根据不同的符号而变化字节长度，当字符在ASCII 码的范围时，就用一个字节表示，保留了ASCII字符一个字节的编码做为它的一部分，注意的是unicode一个中文字符占2个字节，而UTF-8一个中 文字符占3个字节）。从unicode到uft-8并不是直接的对应，而是要过一些算法和规则来转换。


Unicode符号范围 | UTF-8编码方式

(十六进制) | （二进制）
—————————————————————–
0000 0000-0000 007F | 0xxxxxxx
0000 0080-0000 07FF | 110xxxxx 10xxxxxx
0000 0800-0000 FFFF | 1110xxxx 10xxxxxx 10xxxxxx
0001 0000-0010 FFFF | 11110xxx 10xxxxxx 10xxxxxx 10xxxxxx



原文：unicode,ansi,utf-8,unicode big endian编码的区别

 

 

作者：龙腾道默默地
链接：http://www.zhihu.com/question/23374078/answer/121955274
来源：知乎
著作权归作者所有，转载请联系作者获得授权。

  • [encoding] 文件编码（硬件传输存储、系统/应用软件解码）
    • 包装层。文件编码可以有多层，比如最外面套的可以是传输储/存编码（也可以不套）：
      • data:base64,...
      • .加密传输编码
      • chunked切片传输编码（Transfer-Encoding）
      • gzip压缩编码（Content-Encoding）
    • 文件层。解读编码分为：
      • 二进制文件（狭义），如：exe程序、mp3音乐、mp4视频、pdf文档（没错这不是普通文本文件）
      • [text/*]文本文件，如：txt、md、html、mhtml、css、json、js（所以text/javascript比application/javascript更合理；注意，这里重点是/前面的部分，后面的javascript已经不属于编码的范畴，只是文件内容的含义，与编码没有半毛钱关系。）
其实包装层和文本文件本质上也是二进制文件，因为计算机本身就是二进制的。所以上面提到的二进制其实是狭义的二进制。
  • 单独指出包装层，是为了提示文件编码可以不止一层，否则有人就会困惑一个txt文件为什么编码会是gzip——这只是因为HTTP传输时最外层加了一层压缩，而标注编码总是从外而内的。
  • 而单独指出文本文件，是因为文本文件这种二进制非常基础、常见，而且有很多独有的特性、遵循很多统一的规范。像pdf虽然最终可以显示文字，但这个过程技术上是不透明的。而文本文档可以不依赖于独特的解读软件而过得普遍的浏览。
不过事实上文本文档也有几种不同的编码方式（后文会谈到原因）。最开始文本文件就是ANSI编码，UTF-8是后来出现的（后文会结合字符集解释）。
简言之，UTF-8就是文件编码层次的概念，也是文本文件保存时选择的编码类型之一。


  • [character set] 字符集
  1. 计算机的发明。由于一个字节（Byte）有8位（bit），类似10101010，因此一个基本的存储单位能够表示2的8次方（即256）种字符，而基本的计算机字符（所谓的半角字符，说白了是发明计算机的美国常用的字符）用128个就表示完了，所以这时候不存在任何问题，一个字节（计算机存储单位）对应一个字符（人类自然语言文字中的单位），这套字符集被称为ASCII，包括了半角英文大小写、半角数字、半角表单符号等。闲得无聊的美国人还用多出来的一位作校验码，用于避免电路不稳定信号传输错误（其实是看着浪费不顺眼）。
    （之所以一个字节不是7位，是考虑到2的整数幂，要么4位、要么16位，8位刚好够用，后文会看出幸好如此，否则很难想象有预留的先见之明，毕竟研究各国文化恐怕比发明计算机还麻烦。）
  2. 后来欧洲语言的扩充。计算机的世界化过程中，欧洲紧随其后。他们马上发现各种注音的拉丁语系字母无法表示，因此把后128位直接用上了，128+128，皆大欢喜。
    （一方面这可以理解为目光短浅，另一方面也确实没有必要浪费更多空间。）
  3. 世界另一边象形文字的扩充。以中文为例，虽然比欧洲稍晚，但实际上应当与欧洲理解为第二传播梯队同期的各自闭门造车。由于中文太多，索性用多个计算机字节（两个）表示一个中文字符。为了避免与美国原始体系冲突，我们规定当一个字节在128以内时，还是原义；超出128的，需要与后面一个字节组合解读成一个字符。这样128瞬间变成了128*256，完全够用了。这套字符集命名以GB（国标）开头，有过几次扩充（GB2312、GBK、GB18030），相互不完全兼容，与欧洲扩展字符集自然也不兼容。注意中国人用计算机也是要处理拉丁文、日韩等文字的，所以其中并不只有中文，只是各国实现的标准不同。同期产生的还有Big5（港澳台地区繁体中文标准）、JIS（日本）等。
    （表面上看起来各国各自为营很不合理，实际上一开始就要考虑所有问题会导致各自极其不合理，而事实上各自为营的发展速度和地位上升才是后一步的现实前提。）
  4. 世界统一标准。随着互联网的发展，计算机工业不再仅限于处理不同的文字，还必须用同一套方式处理。Universal Character Set，简称UCS，别名Unicode（实际是两个并行起草的字符集，快弄好了才发现彼此干脆合并了协议），应运而生。Unicode包罗万象，并预留好了无限扩展的方案。随着计算机硬件发展，这种通用方案虽然略浪费空间，却极大地节省了人的工作成本。
可见，Unicode是字符集层面的概念，处理的是每个汉字对应的计算机编号。


上面，基本从各自的角度，讲了Unicode作为字符集，与UTF-8作为文件编码的区别。
下面，谈谈二者的关联（如果是无关的不同，也不可能构成混淆）：
  1. ASCII字符集，最初的字符集，对应了ANSI文件编码，一个字符用一个字节表示，严格来说这个时候字符集和文本文件的编码并没有必要作为单独的概念加以区分；
  2. 西欧字符集、日韩、港澳台、国标字符集等，仍然使用了ANSI文件编码，其中部分字符集一个字符要用两个字节；
  3. Unicode字符集，终于在完成了字符集层面的集大成后，开始反过头来规定适合自己的文件编码（保存为ANSI会丢失大量的新增扩展字符），即Unicode Transformation Format（Unicode转换格式，其中每种方案针对不同发展阶段的使用情境设计，在其针对的情况下都能够大幅度地减少常见字的空间占用）：
  • UTF-32（= UCS-4 + 未来拓展保留）：直接把毫不考虑空间占用的Unicode字符集编码数字保存起来，文件大很多，优点是每个字符都一定是用4个字节表示（8bit/Byte * 4Byte = 32bit）。
    字符集作为信息处理层的规范，统一才是刚需，大大提升开发和运算效率；但是到了储存、网络传输层，这就成为了硬伤。
    （事实上百万种文字的预留可能性在实际上会变成半数以上的零补位，直到外星文字出现——而真的出现了，恐怕又完全不够用或要协商甚至被迫采用新标准了，所以这种理论方案实际上没有用处。）
  • UTF-16（= UCS-2 + 配对处理能力）：将2字节字符视为主流的方案，在表示英文时总是浪费一倍，在表示更罕见的字符时可能要超过4位；不论如何，总是2字节作为最小单位（8bit/Byte * 2Byte = 16bit）。
    文本编辑器中的UTF-16选项通常写作“Unicode”或“Unicode big endian”（高低位顺序不同，后者与16进制Unicode编码的直观顺序一致）。
  • UTF-8：目前最主流的方案。虽然英文字符只有128个，但却占了主要的使用比例，因此默认单字节字符最常见、而将1字节作为编码单位的UTF-8成为了最现实而且通行的方案（8bit/Byte * 2Byte = 8bit）——既能表示各国文字，又以英文为主要使用情境而极大地节省了传输和存储的负担；说白了就是英文仍然占据主要地位。在中文为主的情况下，不如基于ANSI编码的国标字符集节省空间，也因此UTF-8在国内的推行用了很长的时间，不过使用UTF-8已经越来越利大于弊了。
    （推行的速度其实不完全是观念问题，因为标准之为标准，本质与其说在于合理，更在于通行；而通行是以习惯和地位作为基础的。如果人们没有某种行为习惯，又怎么会产生针对这种行为习惯的行为规范呢？）


实例小结：
Transfer-Encoding: chunked
Content-Encoding: gzip
Content-Type: text/html; charset=UTF-8
以上面这个常见的HTTP报头为例，
  1. 第一行的意思是，数据传输使用的是分片式的，最开始不能确定一共有多大，需要逐步接收；
  2. 接收完成后，第二行的意思是，收到的文件是被压缩过的，需要先用指定的gzip方式解压缩才能得到文件；
  3. 得到文件本身后，第三行的text部分告知这是一个文本文件；
  4. UTF-8本身是文件编码信息，却写在charset（字符集）的位置，其实是暗示了其从属的Unicode字符集系统，同时又顺便指出了文件编码信息（因为二者是高度绑定的关系），从而正确获取了文件的文字内容；
    （非网络环境下，本地文件因为没有HTTP报头，实际上是通过文件开始处的BOM信息确定具体是UTF-8、UTF-16还是UTF-32，其中UTF-8因为高地位无关，可以省略BOM）
  5. 最后，根据第三行的html部分得知，这个文件应该作为网页来显示。
下面是一个针锋相对的例子： 
Content-Length: 1024
Content-Type: text/plain; charset=GB2312
  1. 第一行表示文件大小是确定的，收到1024字节的数据才算完成接收；
  2. 没有压缩编码提示，所以文件可以直接使用；
  3. 第二行的text表明这是一个文本文件；
  4. GB2312字符集暗示了文件肯定是ANSI编码的，从而配合字符集正确获取了文件的文字内容；
  5. 最后，根据plain得知文件是一个普通文本文件，直接显示即可。


关于转义（escape）：
HTML实体转义、编程中的字符串转义、URL网址转义都称为转义，但前两个属于字符集（char set）的范畴，而后者属于编码（encode）的范畴（编码用于文件储存、文件传输，以及此处的网址传输）。
  • HTML实体 
    龍 “龍”的Unicode编号是40845
或是：
龍 40845的16进制是9F8D，前面加x表示16进制
  • JavaScript字符串 
    "龍".charCodeAt(0)===40845;

String.fromCharCode(40845)==="龍";

0x9F8D===40845;

"龍".charCodeAt(0)===0x9F8D;

String.fromCharCode(0x9F8D)==="龍";

"\u9F8D"==="龍";
  • URL

    https://www.bing.com/search?q=龍

    由于URL在传输中不支持中文，所以上面这个网址会被用UTF-8规则转码成：


    “龍”的UTF-8编码是“E9 BE 8D”。

    早期百度使用的是GB字符集（ANSI）编码：

    “龍”的国标编码是“FD 88”，确实节省了空间，但现在已经非常不建议这样做了。


为什么业界不推荐中文编程，并应当坚持使用UTF-8编码？
阻碍世界范围内的合作开发项目，以及，出现编码错误（旧系统/基层编程环境不支持中文，其他国家用户未必安装了独特的字符集）。

posted on 2016-10-13 10:56  anruy  阅读(516)  评论(0)  编辑  收藏  举报

导航