字元編碼筆記：ASCII，Unicode和UTF-8
作者： 阮一峰
版權聲明：自由轉載-非商用-非衍生-保持署名 | Creative Commons BY-NC-ND 3.0
最後修改時間：2007年10月29日 09:46
轉自：http://witmax.cn/character-encoding-notes.html
今天中午，我突然想搞清楚Unicode和UTF-8之間的關系，于是就開始在網上查資料。
結果，這個問題比我想象的複雜，從午飯後一直看到晚上9點，才算初步搞清楚。
下面就是我的筆記，主要用來整理自己的思路。但是，我盡量試圖寫得通俗易懂，希望能對其他朋友有用。畢竟，字元編碼是計算機技術的基石，想要熟練使用計算機，就必須懂得一點字元編碼的知識。
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 (ג)，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256×256=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
正如上一節所說，世界上存在着多種編碼方式，同一個二進制數字可以被解釋成不同的符号。是以，要想打開一個文本檔案，就必須知道它的編碼方式，否則用錯誤的編碼方式解讀，就會出現亂碼。為什麼電子郵件常常出現亂碼？就是因為發信人和收信人使用的編碼方式不一樣。
可以想象，如果有一種編碼，将世界上所有的符号都納入其中。每一個符号都給予一個獨一無二的編碼，那麼亂碼問題就會消失。這就是Unicode，就像它的名字都表示的，這是一種所有符号的編碼。
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。
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. 延伸閱讀
* The Absolute Minimum Every Software Developer Absolutely, Positively Must Know About Unicode and Character Sets（關于字元集的最基本知識）
* 談談Unicode編碼
* RFC3629：UTF-8, a transformation format of ISO 10646（如果實作UTF-8的規定）
來源：http://www.ruanyifeng.com/blog/2007/10/ascii_unicode_and_utf-8.html
字元編碼：Unicode/UTF-8/UTF-16/UCS/Endian/BMP/BOM
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沖突。
Uicode由來:
最初的字元編碼ascii(8bit,最高位為0)隻能表示128個字元,表示英文、數字和一些符号是沒問題。但是世界不止一種語言,即使用上了最高為1的擴充ascii碼,也隻有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。
于是,各國都制定了自己的相容ascii編碼規範,就是各種ANSI碼,比如我國的gb2312，用兩個擴充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,為各種文字統一配置設定編碼。
ISO(國際标準化組織)和Uicode協會(一個軟體制造商的協會）分别開始了這個工作。即ISO的ISO 10646項目和Unicode協會的Unicode項目。後來它們開始合并了雙方的工作成果，采用相同的字庫和字碼。但目前兩個項目都存在并獨立地公布自己的标準。
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擴充來的,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,是以目前基本都使用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,是以在很多方面産生了沖突，以前處理ascii的方法都必須重寫。而且C語言用\0作為字元串結束标志,但Unicode中很多字元都含\0,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本身的編碼是一緻的,UTF-32和UCS-4也是相同的。最重要的是UTF-8,可以完全相容ascii編碼 。UTF是一種變長的編碼,它的位元組數是不固定的,使用第一個位元組确定位元組數。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目前沒有用大于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碼轉為二進制填充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,是以是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)作為标志來分辨兩種位元組序。标志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标志編碼方式。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
首位元組首位恒為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0×0000的UCS-4碼。去掉0×0000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0×0000。
來源：http://blog.csdn.net/zzcv_/archive/2007/06/03/1636085.aspx
談談Unicode編碼
這是一篇程式員寫給程式員的趣味讀物。所謂趣味是指可以比較輕松地了解一些原來不清楚的概念，增進知識，類似于打RPG遊戲的更新。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這幾種編碼方式間互相轉換。同樣是txt檔案，Windows是怎樣識别編碼方式的呢？
我很早前就發現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）。但這些标記是基于什麼标準呢？
問題二：
最近在網上看到一個ConvertUTF.c，實作了UTF-32、UTF-16和UTF-8這三種編碼方式的互相轉換。對于Unicode(UCS2)、GBK、UTF-8這些編碼方式，我原來就了解。但這個程式讓我有些糊塗，想不起來UTF-16和UCS2有什麼關系。
查了查相關資料，總算将這些問題弄清楚了，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，什麼是十六進制。
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。那麼寫到檔案裡時，究竟是将6C寫在前面，還是将49寫在前面？如果将6C寫在前面，就是big endian。還是将49寫在前面，就是little endian。
“endian”這個詞出自《格列佛遊記》。小人國的内戰就源于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，另一個丢了王位。
我們一般将endian翻譯成“位元組序”，将big endian和little endian稱作“大尾”和“小尾”。
1、字元編碼、内碼，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内碼。早期的計算機使用7位的ASCII編碼，為了處理漢字，程式員設計了用于簡體中文的GB2312和用于繁體中文的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。2000年的GB18030是取代GBK1.0的正式國家标準。該标準收錄了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平台必須支援GB18030，對嵌入式産品暫不作要求。是以手機、MP3一般隻支援GB2312。
從ASCII、GB2312、GBK到GB18030，這些編碼方法是向下相容的，即同一個字元在這些方案中總是有相同的編碼，後面的标準支援更多的字元。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。按照程式員的稱呼，GB2312、GBK到GB18030都屬于雙位元組字元集 (DBCS)。
有的中文Windows的預設内碼還是GBK，可以通過GB18030更新包更新到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内碼。
這裡還有一些細節：
GB2312的原文還是區位碼，從區位碼到内碼，需要在高位元組和低位元組上分别加上A0。
在DBCS中，GB内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隻有128*128=16384個。是以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，隻要遇到高位為1的位元組，就可以将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。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。
根據維基百科的記載：曆史上存在兩個試圖獨立設計Unicode的組織，即國際标準化組織（ISO）和一個軟體制造商的協會（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相容的字元集。于是它們開始合并雙方的工作成果，并為創立一個單一編碼表而協同工作。從Unicode2.0開始，Unicode項目采用了與ISO 10646-1相同的字庫和字碼。
目前兩個項目仍都存在，并獨立地公布各自的标準。Unicode協會現在的最新版本是2005年的Unicode 4.1.0。ISO的最新标準是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（實際上隻用了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隻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。
将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配置設定在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進制) ║UTF-8 位元組流(二進制) ║
║————————-║————————————–║
║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，是以肯定要用3位元組模闆了：1110xxxx 10xxxxxx 10xxxxxx。将6C49寫成二進制是：0110 110001 001001， 用這個比特流依次代替模闆中的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确。
UTF-16以16位為單元對UCS進行編碼。對于小于0×10000的UCS碼，UTF-16編碼就等于UCS碼對應的16位無符号整數。對于不小于0×10000的UCS碼，定義了一個算法。不過由于實際使用的UCS2，或者UCS4的BMP必然小于0×10000，是以就目前而言，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卻要用于實際的傳輸，是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規範中推薦的标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，是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。是以字元”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）。是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來标記文本檔案的編碼方式的。
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，是以就沒有看：
“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)
注：原文連結已無法打開
Unicode Table： http://www.ansell-uebersetzungen.com/gbuni.html
![WinCE和Win2000／XP裝置驅動開發的差別[圖]](data:image/gif;base64,R0lGODlhAQABAIAAAP///wAAACwAAAAAAQABAAACAkQBADs=)