字元編碼：ASCII，Unicode，UTF-8，GB2312

1. ASCII碼

我們知道，在計算機内部，所有的資訊最終都表示為一個二進制的字元串。每一個二進制位（bit）有0和 1兩種狀态，是以八個二進制位就可以組合出256種狀态，這被稱為一個位元組（byte）。也就是說，一個位元組一共可以用來表示256種不同的狀态，每一個 狀态對應一個符号，就是256個符号，從0000000到11111111。

上個世紀60年代，美國制定了一套字元編碼，對英語字元與二進制位之間的關系，做了統一規定。這被稱為ASCII碼，一直沿用至今。

ASCII碼一共規定了128個字元的編碼，比如空格“SPACE”是32（二進制00100000），大寫的字母A是65（二進制01000001）。這128個符号（包括32個不能列印出來的控制符号），隻占用了一個位元組的後面7位，最前面的1位統一規定為0。

2、非ASCII編碼

英語用128個符号編碼就夠了，但是用來表示其他語言，128個符号是不夠的。比如，在法語中，字母上 方有注音符号，它就無法用ASCII碼表示。于是，一些歐洲國家就決定，利用位元組中閑置的最高位編入新的符号。比如，法語中的é的編碼為130（二進制 10000010）。這樣一來，這些歐洲國家使用的編碼體系，可以表示最多256個符号。

但是，這裡又出現了新的問題。不同的國家有不同的字母，是以，哪怕它們都使用256個符号的編碼方式， 代表的字母卻不一樣。比如，130在法語編碼中代表了é，在希伯來語編碼中卻代表了字母Gimel (?)，在俄語編碼中又會代表另一個符号。但是不管怎樣，所有這些編碼方式中，0—127表示的符号是一樣的，不一樣的隻是128—255的這一段。

至于亞洲國家的文字，使用的符号就更多了，漢字就多達10萬左右。一個位元組隻能表示256種符号，肯定 是不夠的，就必須使用多個位元組表達一個符号。比如，簡體中文常見的編碼方式是GB2312，使用兩個位元組表示一個漢字，是以理論上最多可以表示 256x256=65536個符号。

中文編碼的問題需要專文讨論，這篇筆記不涉及。這裡隻指出，雖然都是用多個位元組表示一個符号，但是GB類的漢字編碼與後文的Unicode和UTF-8是毫無關系的。

3、Unicode

Unicode字元集（簡稱為UCS）,國際标準組織于1984年4月成立ISO/IEC JTC1/SC2/WG2工作組，針對各國文字、符号進行統一性編碼。1991年美國跨國公司成立Unicode Consortium，并于1991年10月與WG2達成協定，采用同一編碼字集。目前Unicode是采用16位編碼體系，其字元集内容與 ISO10646的BMP（Basic Multilingual Plane）相同。Unicode于1992年6月通過DIS（Draf International Standard），目前版本V2.0于1996公布，内容包含符号6811個，漢字20902個，韓文拼音11172個，造字區6400個，保留 20249個，共計65534個。Unicode編碼後的大小是一樣的.例如一個英文字母 "a" 和 一個漢字 "好"，編碼後都是占用的空間大小是一樣的，都是兩個位元組！

Unicode可以用來表示所有語言的字元，而且是定長雙位元組（也有四位元組的）編碼，包括英文字母在 内。是以可以說它是不相容iso8859-1編碼的，也不相容任何編碼。不過，相對于iso8859-1編碼來說，uniocode編碼隻是在前面增加了 一個0位元組，比如字母'a'為"00 61"。

需要說明的是，定長編碼便于計算機處理（注意GB2312/GBK不是定長編碼），而unicode又可以用來表示所有字元，是以在很多軟體内部是使用unicode編碼來處理的，比如java。

Unicode當然是一個很大的集合，現在的規模可以容納100多萬個符号。每個符号的編碼都不一樣， 比如，U+0639表示阿拉伯字母Ain，U+0041表示英語的大寫字母A，U+4E25表示漢字“嚴”。具體的符号對應表，可以查詢 unicode.org，或者專門的漢字對應表。

從ASCII、GB2312、GBK到GB18030的編碼方法是向下相容的。而Unicode隻與ASCII相容（更準确地說，是與ISO-8859-1相容），與GB碼不相容。

Unicode、Unicode big endian和UTF-8編碼的txt檔案的開頭會多出幾個位元組，分别是FF、FE（Unicode）,FE、FF（Unicode big endian）,EF、BB、BF（UTF-8）。

4. Unicode的問題

需要注意的是，Unicode隻是一個符号集，它隻規定了符号的二進制代碼，卻沒有規定這個二進制代碼應該如何存儲。

比如，漢字“嚴”的unicode是十六進制數4E25，轉換成二進制數足足有15位（100111000100101），也就是說這個符号的表示至少需要2個位元組。表示其他更大的符号，可能需要3個位元組或者4個位元組，甚至更多。

這裡就有兩個嚴重的問題，第一個問題是，如何才能差別unicode和ascii？計算機怎麼知道三個 位元組表示一個符号，而不是分别表示三個符号呢？第二個問題是，我們已經知道，英文字母隻用一個位元組表示就夠了，如果unicode統一規定，每個符号用三 個或四個位元組表示，那麼每個英文字母前都必然有二到三個位元組是0，這對于存儲來說是極大的浪費，文本檔案的大小會是以大出二三倍，這是無法接受的。

它們造成的結果是：1）出現了unicode的多種存儲方式，也就是說有許多種不同的二進制格式，可以用來表示unicode。2）unicode在很長一段時間内無法推廣，直到網際網路的出現。

5.UTF-8

網際網路的普及，強烈要求出現一種統一的編碼方式。UTF-8就是在網際網路上使用最廣的一種unicode的實作方式。其他實作方式還包括UTF-16和UTF-32，不過在網際網路上基本不用。重複一遍，這裡的關系是，UTF-8是Unicode的實作方式之一。

UTF-8最大的一個特點，就是它是一種變長的編碼方式。它可以使用1~4個位元組表示一個符号，根據不同的符号而變化位元組長度。

UTF-8的編碼規則很簡單，隻有二條：

1）對于單位元組的符号，位元組的第一位設為0，後面7位為這個符号的unicode碼。是以對于英語字母，UTF-8編碼和ASCII碼是相同的。

2）對于n位元組的符号（n>1），第一個位元組的前n位都設為1，第n+1位設為0，後面位元組的前兩位一律設為10。剩下的沒有提及的二進制位，全部為這個符号的unicode碼。

下表總結了編碼規則，字母x表示可用編碼的位。

Unicode符号範圍 | UTF-8編碼方式    

(十六進制) | （二進制）    

--------------------+---------------------------------------------    

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，還是以漢字“嚴”為例，示範如何實作UTF-8編碼。

已知“嚴”的unicode是4E25（100111000100101），根據上表，可以發現 4E25處在第三行的範圍内（0000 0800-0000 FFFF），是以“嚴”的UTF-8編碼需要三個位元組，即格式是“1110xxxx 10xxxxxx 10xxxxxx”。然後，從“嚴”的最後一個二進制位開始，依次從後向前填入格式中的x，多出的位補0。這樣就得到了，“嚴”的UTF-8編碼是 “11100100 10111000 10100101”，轉換成十六進制就是E4B8A5。

6. Unicode與UTF-8之間的轉換

通過上一節的例子，可以看到“嚴”的Unicode碼是4E25，UTF-8編碼是E4B8A5，兩者是不一樣的。它們之間的轉換可以通過程式實作。

在Windows平台下，有一個最簡單的轉化方法，就是使用内置的記事本小程式Notepad.exe。打開檔案後，點選“檔案”菜單中的“另存為”指令，會跳出一個對話框，在最底部有一個“編碼”的下拉條。

裡面有四個選項：ANSI，Unicode，Unicode big endian 和 UTF-8。

1）ANSI是預設的編碼方式。對于英文檔案是ASCII編碼，對于簡體中文檔案是GB2312編碼（隻針對Windows簡體中文版，如果是繁體中文版會采用Big5碼）。

2）Unicode編碼指的是UCS-2編碼方式，即直接用兩個位元組存入字元的Unicode碼。這個選項用的little endian格式。

3）Unicode big endian編碼與上一個選項相對應。我在下一節會解釋little endian和big endian的涵義。

4）UTF-8編碼，也就是上一節談到的編碼方法。

選擇完”編碼方式“後，點選”儲存“按鈕，檔案的編碼方式就立刻轉換好了。

7. Little endian和Big endian

上一節已經提到，Unicode碼可以采用UCS-2格式直接存儲。以漢字”嚴“為例，Unicode 碼是4E25，需要用兩個位元組存儲，一個位元組是4E，另一個位元組是25。存儲的時候，4E在前，25在後，就是Big endian方式；25在前，4E在後，就是Little endian方式。

這兩個古怪的名稱來自英國作家斯威夫特的《格列佛遊記》。在該書中，小人國裡爆發了内戰，戰争起因是人 們争論，吃雞蛋時究竟是從大頭(Big-Endian)敲開還是從小頭(Little-Endian)敲開。為了這件事情，前後爆發了六次戰争，一個皇帝 送了命，另一個皇帝丢了王位。

是以，第一個位元組在前，就是”大頭方式“（Big endian），第二個位元組在前就是”小頭方式“（Little endian）。

那麼很自然的，就會出現一個問題：計算機怎麼知道某一個檔案到底采用哪一種方式編碼？

Unicode規範中定義，每一個檔案的最前面分别加入一個表示編碼順序的字元，這個字元的名字叫做”零寬度非換行空格“（ZERO WIDTH NO-BREAK SPACE），用FEFF表示。這正好是兩個位元組，而且FF比FE大1。

如果一個文本檔案的頭兩個位元組是FE FF，就表示該檔案采用大頭方式；如果頭兩個位元組是FF FE，就表示該檔案采用小頭方式。

8. 執行個體

下面，舉一個執行個體。

打開”記事本“程式Notepad.exe，建立一個文本檔案，内容就是一個”嚴“字，依次采用ANSI，Unicode，Unicode big endian 和 UTF-8編碼方式儲存。

然後，用文本編輯軟體UltraEdit中的”十六進制功能“，觀察該檔案的内部編碼方式。

1）ANSI：檔案的編碼就是兩個位元組“D1 CF”，這正是“嚴”的GB2312編碼，這也暗示GB2312是采用大頭方式存儲的。

2）Unicode：編碼是四個位元組“FF FE 25 4E”，其中“FF FE”表明是小頭方式存儲，真正的編碼是4E25。

3）Unicode big endian：編碼是四個位元組“FE FF 4E 25”，其中“FE FF”表明是大頭方式存儲。

4）UTF-8：編碼是六個位元組“EF BB BF E4 B8 A5”，前三個位元組“EF BB BF”表示這是UTF-8編碼，後三個“E4B8A5”就是“嚴”的具體編碼，它的存儲順序與編碼順序是一緻的。

9 國标

9.1 GB碼

   全稱是GB2312-80《資訊交換用漢字編碼字元集基本集》，1980年釋出，是中文資訊處理的國家标準，在大陸及海外使用簡體中文的地區（如新加坡 等）是強制使用的唯一中文編碼。P-Windows3.2和蘋果OS就是以GB2312為基本漢字編碼， Windows 95/98則以GBK為基本漢字編碼、但相容支援GB2312。  

雙位元組編碼    

範圍：A1A1~FEFE    

A1-A9：符号區，包含682個符号    

B0-F7：漢字區，包含6763個漢字

9.2 GB2312

   GB2312(1980年)一共收錄了7445個字元，包括6763個漢字和682個其它符号。漢字區的内碼範圍高位元組從B0-F7，低位元組從 A1-FE，占用的碼位是72*94=6768。其中有5個空位是D7FA-D7FE。GB2312-80中共收錄了7545個字元，用兩個位元組編碼一個 字元。每個字元最高位為0。GB2312-80編碼簡稱國标碼。

GB2312支援的漢字太少。1995年的漢字擴充規範GBK1.0收錄了21886個符号，它分為漢字區和圖形符号區。漢字區包括21003個字元。

9.3 GB12345-90