java 編碼詳情

編碼詳情

隨著計算機的發(fā)展、普及，世界各國為了適應本國的語言和字符都會自己設計一套自己的編碼風格，正是由于這種亂，導致存在很多種編碼方式，以至于同一個二進制數(shù)字可能會被解釋成不同的符號。為了解決這種不兼容的問題，偉大的創(chuàng)想Unicode編碼應時而生！！

Unicode

Unicode又稱為統(tǒng)一碼、萬國碼、單一碼，它是為了解決傳統(tǒng)的字符編碼方案的局限而產生的，它為每種語言中的每個字符設定了統(tǒng)一并且唯一的二進制編碼，以滿足跨語言、跨平臺進行文本轉換、處理的要求?？梢韵胂骍nicode作為一個“字符大容器”，它將世界上所有的符號都包含其中，并且每一個符號都有自己獨一無二的編碼，這樣就從根本上解決了亂碼的問題。所以Unicode是一種所有符號的編碼[2]。

Unicode伴隨著通用字符集的標準而發(fā)展，同時也以書本的形式對外發(fā)表，它是業(yè)界的標準，對世界上大部分的文字系統(tǒng)進行了整理、編碼，使得電腦可以用更為簡單的方式來呈現(xiàn)和處理文字。Unicode至今仍在不斷增修，迄今而至已收入超過十萬個字符，它備受業(yè)界認可，并廣泛地應用于電腦軟件的國際化與本地化過程。

我們知道Unicode是為了解決傳統(tǒng)的字符編碼方案的局限而產生的，對于傳統(tǒng)的編碼方式而言，他們都存在一個共同的問題：無法支持多語言環(huán)境，這對于互聯(lián)網這個開放的環(huán)境是不允許的。而目前幾乎所有的電腦系統(tǒng)都支持基本拉丁字母，并各自支持不同的其他編碼方式。Unicode為了和它們相互兼容，其首256字符保留給ISO 8859-1所定義的字符，使既有的西歐語系文字的轉換不需特別考量；并且把大量相同的字符重復編到不同的字符碼中去，使得舊有紛雜的編碼方式得以和Unicode編碼間互相直接轉換，而不會丟失任何信息[1]。

實現(xiàn)方式

一個字符的Unicode編碼是確定的，但是在實際傳輸過程中，由于不同系統(tǒng)平臺的設計不一定一致，以及出于節(jié)省空間的目的，對Unicode編碼的實現(xiàn)方式有所不同。Unicode的實現(xiàn)方式稱為Unicode轉換格式（Unicode Transformation Format，簡稱為UTF）[1]。

Unicode是字符集，它主要有UTF-8、UTF-16、UTF-32三種實現(xiàn)方式。由于UTF-8是目前主流的實現(xiàn)方式，UTF-16、UTF-32相對而言使用較少，所以下面就主要介紹UTF-8。

UCS

提到Unicode可能有必要了解下，UCS。UCS（Universal Character Set，通用字符集），是由ISO制定的ISO 10646（或稱ISO/IEC 10646）標準所定義的標準字符集。它包括了其他所有字符集，保證了與其他字符集的雙向兼容，即，如果你將任何文本字符串翻譯到UCS格式，然后再翻譯回原編碼，你不會丟失任何信息。

UCS不僅給每個字符分配一個代碼，而且賦予了一個正式的名字。表示一個UCS或Unicode值的十六進制數(shù)通常在前面加上“U+”，例如“U+0041”代表字符“A”。

Little endian & Big endian

由于各個系統(tǒng)平臺的設計不同，可能會導致某些平臺對字符的理解不同（比如字節(jié)順序的理解）。這時將會導致同意字節(jié)流可能會被解釋為不同的內容。如某個字符的十六進制為4E59，拆分為4E、59，在MAC上讀取時是歐諾個低位開始的，那么MAC在遇到該字節(jié)流時會被解析為594E，找到的字符為“奎”，但是在Windows平臺是從高字節(jié)開始讀取，為4E59，找到的字符為“乙”。也就是說在Windows平臺保存的“乙”跑到MAC平臺上就變成了“奎”。這樣勢必會引起混亂，于是在Unicode編碼中采用了大頭（Big endian）、小頭（Little endian）兩種方式來進行區(qū)分。即第一個字節(jié)在前，就是大頭方式，第二個字節(jié)在前就是小頭方式。那么這個時候就出現(xiàn)了一個問題：計算機怎么知道某個文件到底是采用哪種編碼方式的呢？

Unicode規(guī)范中定義，每一個文件的最前面分別加入一個表示編碼順序的字符，這個字符的名字叫做”零寬度非換行空格”（ZERO WIDTH NO-BREAK SPACE），用FEFF表示。這正好是兩個字節(jié)，而且FF比FE大1。

如果一個文本文件的頭兩個字節(jié)是FE FF，就表示該文件采用大頭方式；如果頭兩個字節(jié)是FF FE，就表示該文件采用小頭方式。

UTF-8

UTF-8是一種針對Unicode的可變長度字符編碼,可以使用1~4個字節(jié)表示一個符號，根據(jù)不同的符號而變化字節(jié)長度。它可以用來表示Unicode標準中的任何字符，且其編碼中的第一個字節(jié)仍與ASCII兼容，這使得原來處理ASCII字符的系統(tǒng)無須或只須做少部份修改，即可繼續(xù)使用。因此，它逐漸成為電子郵件、網頁及其他存儲或傳送文字的應用中，優(yōu)先采用的編碼。

UTF-8使用一到四個字節(jié)為每個字符編碼，編碼規(guī)則如下：

1）對于單字節(jié)的符號，字節(jié)的第一位設為0，后面7位為這個符號的unicode碼。因此對于英語字母，UTF-8編碼和ASCII碼是相同的。

2）對于n字節(jié)的符號（n>1），第一個字節(jié)的前n位都設為1，第n+1位設為0，后面字節(jié)的前兩位一律設為10。剩下的沒有提及的二進制位，全部為這個符號的unicode碼。

轉換表如下：

根據(jù)上面的轉換表，理解UTF-8的轉換編碼規(guī)則就變得非常簡單了：第一個字節(jié)的第一位如果為0，則表示這個字節(jié)單獨就是一個字符;如果為1，連續(xù)多少個1就表示該字符占有多少個字節(jié)。

以漢字”嚴”為例，演示如何實現(xiàn)UTF-8編碼[3]。

已知”嚴”的unicode是4E25（100111000100101），根據(jù)上表，可以發(fā)現(xiàn)4E25處在第三行的范圍內（0000 0800-0000 FFFF），因此”嚴”的UTF-8編碼需要三個字節(jié)，即格式是”1110xxxx 10xxxxxx 10xxxxxx”。然后，從”嚴”的最后一個二進制位開始，依次從后向前填入格式中的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。

Unicode與UTF-8之間的轉換

通過上面的例子我們可以看到”嚴”的Unicode碼為4E25，UTF-8編碼為E4B8A5，他們兩者是不一樣的，需要通過程序的轉換來實現(xiàn)，在Window平臺最簡單的直觀的方法就是記事本。

在最下面的”編碼（E）”處有四個選項：ANSI、Unicode、Unicode big endian、UTF-8。

ANSI：記事本的默認的編碼方式，對于英文文件是ASCII編碼，對于簡體中文文件是GB2312編碼。注意：不同 ANSI 編碼之間互不兼容，當信息在國際間交流時，無法將屬于兩種語言的文字，存儲在同一段 ANSI 編碼的文本中

Unicode：UCS-2編碼方式，即直接用兩個字節(jié)存入字符的Unicode碼。該方式是”小頭”little endian方式。

Unicode big endian：UCS-2編碼方式，”大頭”方式。

UTF-8：閱讀上面（UTF-8）。

實例：在記事本中輸入”嚴”字，依次選擇ANSI、Unicode、Unicode big endian、UTF-8四種編碼風格，然后另存為，使用EditPlus文本工具使用”16進制查看器”進行查看，得到如下結果：

ANSI：兩個字節(jié)”D1 CF”正是”嚴”的GB2312編碼。

Unicode：四個字節(jié)”FF FE 25 4E”，其中”FF FE”表示小頭存儲方式，真正的編碼為”25 4E”。

Unicode big endian：四個字節(jié)”FE FF 4E 25″，”FE FF”表示大頭存儲方式，真正編碼為”4E 25″。

UTF-8：編碼是六個字節(jié)”EF BB BF E4 B8 A5″，前三個字節(jié)”EF BB BF”表示這是UTF-8編碼，后三個”E4B8A5″就是”嚴”的具體編碼，它的存儲順序與編碼順序是一致的。

參考文獻&更多閱讀

1、Unicode維基百科：http://zh.wikipedia.org/wiki/Unicode

2、Unicode百度百科：http://baike.baidu.com/view/40801.htm

3、字符編碼筆記：ASCII，Unicode和UTF-8：http://www.ruanyifeng.com/blog/2007/10/ascii_unicode_and_utf-8.html

4、UTF-8百度百科：http://baike.baidu.com/view/25412.htm