[转] 字符编码笔记：ASCII，Unicode和UTF-8

这是一篇关于字符集的很详细的文章，连我都能看明白，所以转来。

 

文章来源: http://www.ruanyifeng.com/blog/2007/10/ascii_unicode_and_utf-8.html

字符编码笔记：ASCII，Unicode和UTF-8

阮一峰 发表于 2007年10月28日 | 分类：首页 -> 档案 -> IT技术

今天中午，我突然想搞清楚Unicode和UTF-8之间的关系，于是就开始在网上查资料。

结果，这个问题比我想象的复杂，从午饭后一直看到晚上9点，才算初步搞清楚。

下面就是我的笔记，主要用来整理自己的思路。但是，我尽量试图写得通俗易懂，希望能对其他朋友有用。毕竟，字符编码是计算机技术的基石，想要熟练使用计算机，就必须懂得一点字符编码的知识。

1. ASCII码

我们知道，在计算机内部，所有的信息最终都表示为一个二进制的字符串。每一个二进制位（bit）有0和1两种状态，因此八个二进制位就可以组合出 256种状态，这被称为一个字节（byte）。也就是说，一个字节一共可以用来表示256种不同的状态，每一个状态对应一个符号，就是256个符号，从 0000000到11111111。

上个世纪60年代，美国制定了一套字符编码，对英语字符与二进制位之间的关系，做了统一规定。这被称为ASCII码，一直沿用至今。

ASCII码一共规定了128个字符的编码，比如空格“SPACE”是32（二进制00100000），大写的字母A是65（二进制01000001）。这128个符号（包括32个不能打印出来的控制符号），只占用了一个字节的后面7位，最前面的1位统一规定为0。

2、非ASCII编码

英语用128个符号编码就够了，但是用来表示其他语言，128个符号是不够的。比如，在法语中，字母上方有注音符号，它就无法用ASCII码表示。于是，一些欧洲国家就决定，利用字节中闲置的最高位编入新的符号。比如，法语中的é的编码为130（二进制10000010）。这样一来，这些欧洲国家使用的编码体系，可以表示最多256个符号。

但是，这里又出现了新的问题。不同的国家有不同的字母，因此，哪怕它们都使用256个符号的编码方式，代表的字母却不一样。比如，130在法语编码中代表了é，在希伯来语编码中却代表了字母Gimel (ג)，在俄语编码中又会代表另一个符号。但是不管怎样，所有这些编码方式中，0—127表示的符号是一样的，不一样的只是128—255的这一段。

至于亚洲国家的文字，使用的符号就更多了，汉字就多达10万左右。一个字节只能表示256种符号，肯定是不够的，就必须使用多个字节表达一个符号。比如，简体中文常见的编码方式是GB2312，使用两个字节表示一个汉字，所以理论上最多可以表示256x256=65536个符号。

中文编码的问题需要专文讨论，这篇笔记不涉及。这里只指出，虽然都是用多个字节表示一个符号，但是GB类的汉字编码与后文的Unicode和UTF-8是毫无关系的。

3.Unicode

正如上一节所说，世界上存在着多种编码方式，同一个二进制数字可以被解释成不同的符号。因此，要想打开一个文本文件，就必须知道它的编码方式，否则用错误的编码方式解读，就会出现乱码。为什么电子邮件常常出现乱码？就是因为发信人和收信人使用的编码方式不一样。

可以想象，如果有一种编码，将世界上所有的符号都纳入其中。每一个符号都给予一个独一无二的编码，那么乱码问题就会消失。这就是Unicode，就像它的名字都表示的，这是一种所有符号的编码。

Unicode当然是一个很大的集合，现在的规模可以容纳100多万个符号。每个符号的编码都不一样，比如，U+0639表示阿拉伯字母Ain，U+0041表示英语的大写字母A，U+4E25表示汉字“严”。具体的符号对应表，可以查询unicode.org，或者专门的汉字对应表。

4. Unicode的问题

需要注意的是，Unicode只是一个符号集，它只规定了符号的二进制代码，却没有规定这个二进制代码应该如何存储。

比如，汉字“严”的unicode是十六进制数4E25，转换成二进制数足足有15位（100111000100101），也就是说这个符号的表示至少需要2个字节。表示其他更大的符号，可能需要3个字节或者4个字节，甚至更多。

这里就有两个严重的问题，第一个问题是，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，这是无法接受的。

它们造成的结果是：1）出现了unicode的多种存储方式，也就是说有许多种不同的二进制格式，可以用来表示unicode。2）unicode在很长一段时间内无法推广，直到互联网的出现。

5.UTF-8

互联网的普及，强烈要求出现一种统一的编码方式。UTF-8就是在互联网上使用最广的一种unicode的实现方式。其他实现方式还包括UTF-16和UTF-32，不过在互联网上基本不用。重复一遍，这里的关系是，UTF-8是Unicode的实现方式之一。

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。

UTF-8的编码规则很简单，只有二条：

1）对于单字节的符号，字节的第一位设为0，后面7位为这个符号的unicode码。因此对于英语字母，UTF-8编码和ASCII码是相同的。

2）对于n字节的符号（n>1），第一个字节的前n位都设为1，第n+1位设为0，后面字节的前两位一律设为10。剩下的没有提及的二进制位，全部为这个符号的unicode码。

下表总结了编码规则，字母x表示可用编码的位。

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

下面，还是以汉字“严”为例，演示如何实现UTF-8编码。

已知“严”的unicode是4E25（100111000100101），根据上表，可以发现4E25处在第三行的范围内（0000 0800-0000 FFFF），因此“严”的UTF-8编码需要三个字节，即格式是“1110xxxx 10xxxxxx 10xxxxxx”。然后，从“严”的最后一个二进制位开始，依次从后向前填入格式中的x，多出的位补0。这样就得到了，“严”的UTF-8编码是 “11100100 10111000 10100101”，转换成十六进制就是E4B8A5。

6. Unicode与UTF-8之间的转换

通过上一节的例子，可以看到“严”的Unicode码是4E25，UTF-8编码是E4B8A5，两者是不一样的。它们之间的转换可以通过程序实现。

在Windows平台下，有一个最简单的转化方法，就是使用内置的记事本小程序Notepad.exe。打开文件后，点击“文件”菜单中的“另存为”命令，会跳出一个对话框，在最底部有一个“编码”的下拉条。

里面有四个选项：ANSI，Unicode，Unicode big endian 和 UTF-8。

1）ANSI是默认的编码方式。对于英文文件是ASCII编码，对于简体中文文件是GB2312编码（只针对Windows简体中文版，如果是繁体中文版会采用Big5码）。

2）Unicode编码指的是UCS-2编码方式，即直接用两个字节存入字符的Unicode码。这个选项用的little endian格式。

3）Unicode big endian编码与上一个选项相对应。我在下一节会解释little endian和big endian的涵义。

4）UTF-8编码，也就是上一节谈到的编码方法。

选择完”编码方式“后，点击”保存“按钮，文件的编码方式就立刻转换好了。

7. Little endian和Big endian

上一节已经提到，Unicode码可以采用UCS-2格式直接存储。以汉字”严“为例，Unicode码是4E25，需要用两个字节存储，一个字节是4E，另一个字节是25。存储的时候，4E在前，25在后，就是Big endian方式；25在前，4E在后，就是Little endian方式。

这两个古怪的名称来自英国作家斯威夫特的《格列佛游记》。在该书中，小人国里爆发了内战，战争起因是人们争论，吃鸡蛋时究竟是从大头(Big- Endian)敲开还是从小头(Little-Endian)敲开。为了这件事情，前后爆发了六次战争，一个皇帝送了命，另一个皇帝丢了王位。

因此，第一个字节在前，就是”大头方式“（Big endian），第二个字节在前就是”小头方式“（Little endian）。

那么很自然的，就会出现一个问题：计算机怎么知道某一个文件到底采用哪一种方式编码？

Unicode规范中定义，每一个文件的最前面分别加入一个表示编码顺序的字符，这个字符的名字叫做”零宽度非换行空格“（ZERO WIDTH NO-BREAK SPACE），用FEFF表示。这正好是两个字节，而且FF比FE大1。

如果一个文本文件的头两个字节是FE FF，就表示该文件采用大头方式；如果头两个字节是FF FE，就表示该文件采用小头方式。

8. 实例

下面，举一个实例。

打开”记事本“程序Notepad.exe，新建一个文本文件，内容就是一个”严“字，依次采用ANSI，Unicode，Unicode big endian 和 UTF-8编码方式保存。

然后，用文本编辑软件UltraEdit中的”十六进制功能“，观察该文件的内部编码方式。

1）ANSI：文件的编码就是两个字节“D1 CF”，这正是“严”的GB2312编码，这也暗示GB2312是采用大头方式存储的。

2）Unicode：编码是四个字节“FF FE 25 4E”，其中“FF FE”表明是小头方式存储，真正的编码是4E25。

3）Unicode big endian：编码是四个字节“FE FF 4E 25”，其中“FE FF”表明是大头方式存储。

4）UTF-8：编码是六个字节“EF BB BF E4 B8 A5”，前三个字节“EF BB BF”表示这是UTF-8编码，后三个“E4B8A5”就是“严”的具体编码，它的存储顺序与编码顺序是一致的。

9. 延伸阅读

* The Absolute Minimum Every Software Developer Absolutely, Positively Must Know About Unicode and Character Sets（关于字符集的最基本知识）

* 谈谈Unicode编码

* RFC3629：UTF-8, a transformation format of ISO 10646（如果实现UTF-8的规定）

（完）

姬着 说：

文章里说：UCS-2编码方式，即直接用两个字节存入字符的Unicode码。

那USC-2编码方式如何实现超过两个字节的符号的存储？谢谢

2007年10月29日 17:04 | | 引用

Ruan YiFeng 说：

引用姬着的发言：

文章里说：UCS-2编码方式，即直接用两个字节存入字符的Unicode码。那USC-2编码方式如何实现超过两个字节的符号的存储？谢谢

USC-2只能用存储两个字节的Unicode，超过这一范围的符号，它不能表示。

2007年10月30日 09:15 | | 引用

Bill 说：

PS：本文只是主要介绍了UTF-8编码，下面这篇文章对于GB码与Big5有更详细的介绍。

汉字编码中现在主要用到的有三类，包括GBK，GB2312和Big5。

1、GB2312又称国标码，由国家标准总局发布，1981年5月1日实施，通行于大陆。新加坡等地也使用此编码。它是一个简化字的编码规范，当然也包括其他的符号、字母、日文假名等，共7445个图形字符，其中汉字占6763个。我们平时说6768个汉字，实际上里边有5个编码为空白，所以总共有 6763个汉字。

GB2312规定“对任意一个图形字符都采用两个字节表示，每个字节均采用七位编码表示”，习惯上称第一个字节为“高字节”，第二个字节为“低字节”。 GB2312中汉字的编码范围为，第一字节0xB0-0xF7(对应十进制为176-247)，第二个字节0xA0-0xFE（对应十进制为 160-254）。

GB2312将代码表分为94个区，对应第一字节（0xa1-0xfe）；每个区94个位（0xa1-0xfe），对应第二字节，两个字节的值分别为区号值和位号值加32（2OH），因此也称为区位码。01-09区为符号、数字区，16-87区为汉字区（0xb0-0xf7），10-15区、88-94区是有待进一步标准化的空白区。

2、Big5又称大五码，主要为香港与台湾使用，即是一个繁体字编码。每个汉字由两个字节构成，第一个字节的范围从0X81－0XFE（即 129-255），共126种。第二个字节的范围不连续，分别为0X40－0X7E（即64-126），0XA1－0XFE（即161-254），共 157种。

3、GBK是GB2312的扩展，是向上兼容的，因此GB2312中的汉字的编码与GBK中汉字的相同。另外，GBK中还包含繁体字的编码，它与Big5 编码之间的关系我还没有弄明白，好像是不一致的。GBK中每个汉字仍然包含两个字节，第一个字节的范围是0x81-0xFE（即129-254），第二个字节的范围是0x40-0xFE（即64-254）。GBK中有码位23940个，包含汉字21003个。

Bill再推荐一个网站 专门介绍汉字与汉字计算机化的 汉典 http://www.zdic.net/

2007年10月30日 22:26 | | 引用

简单 说：

http://www.zdic.net/

很强的网站，收藏

2007年10月31日 09:06 | | 引用

Ruan YiFeng 说：

引用Bill的发言：

本文只是主要介绍了UTF-8编码，下面这篇文章对于GB码与Big5有更详细的介绍。

这篇网志中有两个地方需要补充一下，我忘了在原文中提到。

1.

国际标准化组织通过了一套ISO-8859-1的编码，规定了单字节256个符号的编码方式。目前，这是8位编码的国际标准。

2.

Unicode编码中表示字节排列顺序的那个文件头，叫做BOM（byte-order mark），FFFE和FEFF就是不同的BOM。

UTF-8文件的BOM是“EF BB BF”，但是UTF-8的字节顺序是不变的，因此这个文件头实际上不起作用。有一些编程语言是ISO-8859-1编码，所以如果用UTF-8针对这些语言编程序，就必须去掉BOM，即保存成“UTF-8—无BOM”的格式才可以，PHP语言就是这样。

2007年10月31日 23:57 | | 引用

请教 说：

我怎么用 notepad 保存成 UTF-8 后
用 UltraEdit 看 还是 FF FE 25 4E啊？？？

2007年11月24日 01:36 | | 引用

请教 说：

引用请教的发言：

我怎么用 notepad 保存成 UTF-8 后 用 UltraEdit 看 还是 FF FE 25 4E啊？？？

哦 知道了。 是UltraEdit 默认会以 UTF-16的方式打开UTF-8编码的文件，要设置或者用Hex Workshop打开就可以看到楼主所说的效果。

2007年11月24日 02:15 | | 引用

Cloudream 说：

（点击支持我）

这些字符是违反adsense规定的……

2007年11月27日 19:08 | | 引用

jackywdx 说：

这么精彩的讲解，实在不得不向作者致敬！
内容讲解得非常详细但又通俗易懂，谢谢了~~

2008年03月10日 10:01 | | 引用

jinwangen 说：

非常感谢

2008年04月23日 09:22 | | 引用

LMN 说：

非常感谢，值得一看

2008年05月04日 13:07 | | 引用

网友 说：

标题“6. Unicode与UTF-8之间的转换”不严谨。

Unicode是一种字符集，概念比较抽象，你已经提到，它存储的时候必须用适当的编码方式。

你的标题的意思，实际上是UTF-16和UTF-8之间的转换。

至于windows notepad保存对话框的编码方式列表中列出“Unicode”这一个名字，实际上是一个通俗的称呼(来自windows NT的早期版本的习惯，一直沿用)，指UTF-16，而不是严格的称呼。希望你行文不要受这个影响。

2008年05月08日 17:15 | | 引用

Ruan YiFeng 说：

引用网友的发言：

标题“6. Unicode与UTF-8之间的转换”不严谨。

Unicode是一种字符集，概念比较抽象，你已经提到，它存储的时候必须用适当的编码方式。

你的标题的意思，实际上是UTF-16和UTF-8之间的转换。

UTF-16不等于unicode啊，不能混为一谈。

2008年05月09日 00:33 | | 引用

Ivan WONG 说：

嗯,看完了長不少知識.

2008年05月12日 11:19 | | 引用

Michael Zheng 说：

我只能这么说，看了那么多的对字符集的解释

这个绝对是最通俗易懂并且还解决了常见疑问的最好的文章 ：）

收藏

2008年05月12日 12:42 | | 引用

wxs8088 说：

很好的一编文章

2008年05月16日 03:07 | | 引用

人跟人的差距咋就这么大呢 说：

好文章!收藏了!

楼主何不把ansi编码方式也说说!
让俺这样的小学新生借楼主的理解能力再学习一把.

2008年05月16日 11:58 | | 引用

学习了 说：

学习了

2008年06月25日 11:20 | | 引用

水中鱼 说：

引用Ruan YiFeng的发言：

UTF-16不等于unicode啊，不能混为一谈。

UTF-16扩充了Unicode，包括了一些稀有字符，想我们国家的满文，藏文等等，两者基本上等价

2008年07月11日 10:44 | | 引用

heroboy 说：

其实我认为，编码其实有2个意思。1.一个是把字符和数字对应起来（比如unicode和GBXXXX等）。2.还有就是相应在数字在计算机中的表示，也就是和字节序列对应起来（比如utf8，mbcs等）。
我有个问题，windows下的mbcs编码(2)用的编码(1)是不是GB系列的编码(1)，而unicode编码(2)用的是unicode编码(1)

2008年07月31日 15:07 | | 引用

Demo 说：

拜读。。。受益匪浅。。长见识了 。。顶楼主

2008年08月15日 01:56 | | 引用

GoBoat 说：

很精彩啊

2008年08月25日 11:11 | | 引用

yangxiups 说：

有时总想去搞清楚他们的区别，可总是无果而终。
讲的很通俗。收藏了。

2008年08月26日 16:58 | | 引用

Maxwell 说：

通俗易懂，对楼主的付出表示感谢。
好文章，收藏！

2008年08月26日 18:03 | | 引用

hao 说：

Big endian 是大头，还是大尾？

2008年09月04日 10:18 | | 引用

gaga 说：

本文充分展现了阮兄收集信息，总结和归纳信息的能力，佩服和学习！

2008年09月08日 12:02 | | 引用

BATMAN 说：

非常感谢楼主提供的信息，支持个

2008年09月24日 20:54 | | 引用

zhangzhen 说：

挺好的，谢谢

2008年10月03日 11:20 | | 引用

陈 说：

谢谢

2008年10月10日 21:36 | | 引用

Texas 说：

非常感谢楼主。

请继续写DBCS->UNICODE的文章

2008年10月30日 12:06 | | 引用

riskman 说：

写得真不错！！

2008年10月30日 15:07 | | 引用

Taken 说：

感谢阮兄精彩讲解...收获良多

另：能否稍微再增加点UTF-16,UTF-32的基本介绍和应用范围的介绍...

2008年11月06日 15:41 | | 引用

syjun37 说：

非常感谢这篇文章，我想请问一下，GBK和BIG5之间的关系是怎样的呢？是包含还是交集呢？

2008年11月07日 13:33 | | 引用

gg 说：

引用syjun37的发言：

非常感谢这篇文章，我想请问一下，GBK和BIG5之间的关系是怎样的呢？是包含还是交集呢？

完全不同的两套编码标准，对应不同的代码页。同样的字在big5和GBK中的编码是不一样的。

2008年11月26日 23:04 | | 引用

Honeyhacker 说：

相当不错，这是我打算研究编码的时候看到的第一篇文章。几天之后再来评论！！

2008年11月28日 08:45 | | 引用

Honeyhacker 说：

你在文中提到：“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”。我在http://dev.csdn.net/develop/article/83/83012.shtm上看到：
以下是Unicode和UTF-8之间的转换关系表：

U-00000000 - U-0000007F: 0xxxxxxx

U-00000080 - U-000007FF: 110xxxxx 10xxxxxx

U-00000800 - U-0000FFFF: 1110xxxx 10xxxxxx 10xxxxxx

U-00010000 - U-001FFFFF: 11110xxx 10xxxxxx 10xxxxxx 10xxxxxx

U-00200000 - U-03FFFFFF: 111110xx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx

U-04000000 - U-7FFFFFFF: 1111110x 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx
该文中明显说到UTF-8不限于四个字节。
请问得到1-4个字节的结论是从哪里找到的？

2008年11月28日 10:23 | | 引用

Ruan YiFeng 说：

引用Honeyhacker的发言：

该文中明显说到UTF-8不限于四个字节。
请问得到1-4个字节的结论是从哪里找到的？

早先的规定是，utf-8可以到6个字节。但是，这已经废除了，目前规定是只支持4个字节，大于U+001FFFFF的符号utf-8不再支持。具体请参阅wikipedia。

2008年11月28日 11:18 | | 引用

Honeyhacker 说：

原来如此！感谢你的回复！再问一个问题，从网络中抓获的数据报，在用wireshark分析的时候，如何判断其中的哪些数据使用了Unicode编码？（从snort给出的信息中，该条数据确实有Unicode编码）。

2008年11月28日 21:38 | | 引用

morpheus 说：

前辈，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
这个是怎么实现的呢，我有点不明白，还望回复一下，感激不尽。

2008年11月29日 13:31 | | 引用

Honeyhacker 说：

或者这样说，两台主机通信的时候，A接收到B发送的消息后，它如何知道该报文采取的是什么编码类型？在报文的格式里面好像没有提到这一点吧！

2008年12月01日 09:47 | | 引用

chen3feng 说：

引用Ruan YiFeng的发言：

UTF-16不等于unicode啊，不能混为一谈。

Windows 从 NT 开始，一开始的内码是 UCS-2，只支持 Unicode BMP 字符，后来做了扩充，目前的内码就是 UTF-16，通常不严格地称为 Unicode。