【轉(zhuǎn)】隨便說(shuō)說(shuō)字符集和編碼<br />
<br />
<br />
空上的銀河，然后想一想要從哪里開始講起。嗯，也許這樣開始比較好……<br />
<br />
<br />
很久很久以前，有一群人，他們決定用8個(gè)可以
開合的晶體管來(lái)組合成不同的狀態(tài)，以表示世界上的萬(wàn)物。他們看到8個(gè)開關(guān)狀態(tài)是好的，于是他們把這稱為"字節(jié)"。<br />
再后來(lái)，他們又做了一些可以處理這些字節(jié)的機(jī)器，機(jī)器開動(dòng)了，可以用字節(jié)來(lái)組合出很多狀態(tài)，狀態(tài)開始變來(lái)變?nèi)ァＫ麄兛吹竭@樣是好的，于是它們就這機(jī)器稱為"計(jì)算機(jī)"。<br />
<br />
開始計(jì)算機(jī)只在美國(guó)用。八位的字節(jié)一共可以組合出256(2的8次方)種不同的狀態(tài)。<br />
他們把其中的編號(hào)從0開始的32種狀態(tài)分別規(guī)定了特殊的用途，一但終端、打印機(jī)遇上約定好的這些字節(jié)被傳過(guò)來(lái)時(shí)，就要做一些約定的動(dòng)作。遇上00x10, 終端就換行，遇上0x07, 終端就向人們嘟嘟叫，例如遇上0x1b, 打印機(jī)就打印反白的字，或者終端就用彩色顯示字母。他們看到這樣很好，于是就把這些0x20以下的字節(jié)狀態(tài)稱為"控制碼"。 <br />
他們又把所有的空格、標(biāo)點(diǎn)符號(hào)、數(shù)字、大小寫字母分別用連續(xù)的字節(jié)狀態(tài)表示，一直編到了第127號(hào)，這樣計(jì)算機(jī)就可以用不同字節(jié)來(lái)存儲(chǔ)英語(yǔ)的文字了。大家看到這樣，都感覺(jué)很好，于是大家都把這個(gè)方案叫做 ANSI 的"Ascii"編碼（American Standard Code for Information Interchange，美國(guó)信息互換標(biāo)準(zhǔn)代碼)。當(dāng)時(shí)世界上所有的計(jì)算機(jī)都用同樣的ASCII方案來(lái)保存英文文字。<br />
后來(lái)，就像建造巴比倫塔一樣，世界各地的都開始使用計(jì)算機(jī)，但是很多國(guó)家用的不是英文，他們的字母里有許多是ASCII里沒(méi)有的，為了可以在計(jì)算機(jī)保存他們的文字，他們決定采用127號(hào)之后的空位來(lái)表示這些新的字母、符號(hào)，還加入了很多畫表格時(shí)需要用下到的橫線、豎線、交叉等形狀，一直把序號(hào)編到了最后一個(gè)狀態(tài)255。從128到255這一頁(yè)的字符集被稱"擴(kuò)展字符集"。從此之后，貪婪的人類再?zèng)]有新的狀態(tài)可以用了，美帝國(guó)主義可能沒(méi)有想到還有第三世界國(guó)家的人們也希望可以用到計(jì)算機(jī)吧！ <br />
等中國(guó)人們得到計(jì)算機(jī)時(shí)，已經(jīng)沒(méi)有可以利用的字節(jié)狀態(tài)來(lái)表示漢字，況且有6000多個(gè)常用漢字需要保存呢。但是這難不倒智慧的中國(guó)人民，我們不客氣地把那些127號(hào)之后的奇異符號(hào)們直接取消掉, 規(guī)定：一個(gè)小于127的字符的意義與原來(lái)相同，但兩個(gè)大于127的字符連在一起時(shí)，就表示一個(gè)漢字，前面的一個(gè)字節(jié)（他稱之為高字節(jié))從0xA1用到0xF7，后面一個(gè)字節(jié)（低字節(jié))從0xA1到0xFE，這樣我們就可以組合出大約7000多個(gè)簡(jiǎn)體漢字了。在這些編碼里，我們還把數(shù)學(xué)符號(hào)、羅馬希臘的字母、日文的假名們都編進(jìn)去了，連在 ASCII 里本來(lái)就有的數(shù)字、標(biāo)點(diǎn)、字母都統(tǒng)統(tǒng)重新編了兩個(gè)字節(jié)長(zhǎng)的編碼，這就是常說(shuō)的"全角"字符，而原來(lái)在127號(hào)以下的那些就叫"半角"字符了。 <br />
中國(guó)人民看到這樣很不錯(cuò)，于是就把這種漢字方案叫做 "GB2312"。GB2312 是對(duì) ASCII 的中文擴(kuò)展。<br />
但是中國(guó)的漢字太多了，我們很快就就發(fā)現(xiàn)有許多人的人名沒(méi)有辦法在這里打出來(lái)，特別是某些很會(huì)麻煩別人的國(guó)家領(lǐng)導(dǎo)人。于是我們不得不繼續(xù)把 GB2312 沒(méi)有用到的碼位找出來(lái)老實(shí)不客氣地用上。<br />
后來(lái)還是不夠用，于是干脆不再要求低字節(jié)一定是127號(hào)之后的內(nèi)碼，只要第一個(gè)字節(jié)是大于127就固定表示這是一個(gè)漢字的開始，不管后面跟的是不是擴(kuò)展字符集里的內(nèi)容。結(jié)果擴(kuò)展之后的編碼方案被稱為 GBK 標(biāo)準(zhǔn)，GBK 包括了 GB2312 的所有內(nèi)容，同時(shí)又增加了近20000個(gè)新的漢字（包括繁體字)和符號(hào)。 <br />
后來(lái)少數(shù)民族也要用電腦了，于是我們?cè)贁U(kuò)展，又加了幾千個(gè)新的少數(shù)民族的字，GBK 擴(kuò)成了 GB18030。從此之后，中華民族的文化就可以在計(jì)算機(jī)時(shí)代中傳承了。<br />
中國(guó)的程序員們看到這一系列漢字編碼的標(biāo)準(zhǔn)是好的，于是通稱他們叫做 "DBCS"（Double Byte Charecter Set 雙字節(jié)字符集)。在DBCS系列標(biāo)準(zhǔn)里，最大的特點(diǎn)是兩字節(jié)長(zhǎng)的漢字字符和一字節(jié)長(zhǎng)的英文字符并存于同一套編碼方案里，因此他們寫的程序?yàn)榱酥С种形奶幚�，必須要注意字串里的每一個(gè)字節(jié)的值，如果這個(gè)值是大于127的，那么就認(rèn)為一個(gè)雙字節(jié)字符集里的字符出現(xiàn)了。那時(shí)候凡是受過(guò)加持，會(huì)編程的計(jì)算機(jī)僧侶們都要每天念下面這個(gè)咒語(yǔ)數(shù)百遍： <br />
"一個(gè)漢字算兩個(gè)英文字符！一個(gè)漢字算兩個(gè)英文字符……"<br />
<br />
因?yàn)楫?dāng)時(shí)各個(gè)國(guó)家都像中國(guó)這樣搞出一套自己的編碼標(biāo)準(zhǔn)，結(jié)果互相之間誰(shuí)也不懂誰(shuí)的編碼，誰(shuí)也不支持別人的編碼，連大陸和臺(tái)灣這樣只相隔了150海里，使用著同一種語(yǔ)言的兄弟地區(qū)，也分別采用了不同的 DBCS 編碼方案——當(dāng)時(shí)的中國(guó)人想讓電腦顯示漢字，就必須裝上一個(gè)"漢字系統(tǒng)"，專門用來(lái)處理漢字的顯示、輸入的問(wèn)題，但是那個(gè)臺(tái)灣的愚昧封建人士寫的算命程序就必須加裝另一套支持 BIG5 編碼的什么"倚天漢字系統(tǒng)"才可以用，裝錯(cuò)了字符系統(tǒng)，顯示就會(huì)亂了套！這怎么辦？而且世界民族之林中還有那些一時(shí)用不上電腦的窮苦人民，他們的文字又怎么辦？<br />
真是計(jì)算機(jī)的巴比倫塔命題�。�<br />
正在這時(shí)，大天使加百列及時(shí)出現(xiàn)了——一個(gè)叫 ISO （國(guó)際標(biāo)誰(shuí)化組織)的國(guó)際組織決定著手解決這個(gè)問(wèn)題。他們采用的方法很簡(jiǎn)單：廢了所有的地區(qū)性編碼方案，重新搞一個(gè)包括了地球上所有文化、所有字母和符號(hào)的編碼！他們打算叫它"Universal Multiple-Octet Coded Character Set"，簡(jiǎn)稱 UCS, 俗稱 "UNICODE"。<br />
UNICODE 開始制訂時(shí)，計(jì)算機(jī)的存儲(chǔ)器容量極大地發(fā)展了，空間再也不成為問(wèn)題了。于是 ISO 就直接規(guī)定必須用兩個(gè)字節(jié)，也就是16位來(lái)統(tǒng)一表示所有的字符，對(duì)于ascii里的那些“半角”字符，UNICODE 包持其原編碼不變，只是將其長(zhǎng)度由原來(lái)的8位擴(kuò)展為16位，而其他文化和語(yǔ)言的字符則全部重新統(tǒng)一編碼。由于"半角"英文符號(hào)只需要用到低８位，所以其高8位永遠(yuǎn)是０，因此這種大氣的方案在保存英文文本時(shí)會(huì)多浪費(fèi)一倍的空間。 <br />
這時(shí)候，從舊社會(huì)里走過(guò)來(lái)的程序員開始發(fā)現(xiàn)一個(gè)奇怪的現(xiàn)象：他們的strlen函數(shù)靠不住了，一個(gè)漢字不再是相當(dāng)于兩個(gè)字符了，而是一個(gè)！是的，從 UNICODE 開始，無(wú)論是半角的英文字母，還是全角的漢字，它們都是統(tǒng)一的"一個(gè)字符"！同時(shí)，也都是統(tǒng)一的"兩個(gè)字節(jié)"，請(qǐng)注意"字符"和"字節(jié)"兩個(gè)術(shù)語(yǔ)的不同，“字節(jié)”是一個(gè)8位的物理存貯單元，而“字符”則是一個(gè)文化相關(guān)的符號(hào)。在UNICODE 中，一個(gè)字符就是兩個(gè)字節(jié)。一個(gè)漢字算兩個(gè)英文字符的時(shí)代已經(jīng)快過(guò)去了。<br />
從前多種字符集存在時(shí)，那些做多語(yǔ)言軟件的公司遇上過(guò)很大麻煩，他們?yōu)榱嗽诓煌膰?guó)家銷售同一套軟件，就不得不在區(qū)域化軟件時(shí)也加持那個(gè)雙字節(jié)字符集咒語(yǔ)，不僅要處處小心不要搞錯(cuò)，還要把軟件中的文字在不同的字符集中轉(zhuǎn)來(lái)轉(zhuǎn)去。UNICODE 對(duì)于他們來(lái)說(shuō)是一個(gè)很好的一攬子解決方案，于是從 Windows NT 開始，MS 趁機(jī)把它們的操作系統(tǒng)改了一遍，把所有的核心代碼都改成了用 UNICODE 方式工作的版本，從這時(shí)開始，WINDOWS 系統(tǒng)終于無(wú)需要加裝各種本土語(yǔ)言系統(tǒng)，就可以顯示全世界上所有文化的字符了。 <br />
但是，UNICODE 在制訂時(shí)沒(méi)有考慮與任何一種現(xiàn)有的編碼方案保持兼容，這使得 GBK 與UNICODE 在漢字的內(nèi)碼編排上完全是不一樣的，沒(méi)有一種簡(jiǎn)單的算術(shù)方法可以把文本內(nèi)容從UNICODE編碼和另一種編碼進(jìn)行轉(zhuǎn)換，這種轉(zhuǎn)換必須通過(guò)查表來(lái)進(jìn)行。<br />
如前所述，UNICODE 是用兩個(gè)字節(jié)來(lái)表示為一個(gè)字符，這就總共可以組合出65535不同的字符，這大概已經(jīng)可以覆蓋世界上所有文化的符號(hào)。如果還不夠也沒(méi)有關(guān)系，ISO已經(jīng)準(zhǔn)備了UCS-4方案，說(shuō)簡(jiǎn)單了就是四個(gè)字節(jié)來(lái)表示一個(gè)字符，這樣我們就可以組合出21億個(gè)不同的字符出來(lái)（最高位有其他用途)，這大概可以用到銀河聯(lián)邦成立那一天吧！ <br />
<br />
UNICODE 來(lái)到時(shí)，一起到來(lái)的還有計(jì)算機(jī)網(wǎng)絡(luò)的興起，UNICODE 如何在網(wǎng)絡(luò)上傳輸也是一個(gè)必須考慮的問(wèn)題，于是面向傳輸?shù)谋姸?UTF（UCS Transfer Format)標(biāo)準(zhǔn)出現(xiàn)了，顧名思義，UTF8就是每次8個(gè)位傳輸數(shù)據(jù)，而UTF16就是每次16個(gè)位，只不過(guò)為了傳輸時(shí)的可靠性，從UNICODE到UTF時(shí)并不是直接的對(duì)應(yīng)，而是要過(guò)一些算法和規(guī)則來(lái)轉(zhuǎn)換。<br />
受到過(guò)網(wǎng)絡(luò)編程加持的計(jì)算機(jī)僧侶們都知道，在網(wǎng)絡(luò)里傳遞信息時(shí)有一個(gè)很重要的問(wèn)題，就是對(duì)于數(shù)據(jù)高低位的解讀方式，一些計(jì)算機(jī)是采用低位先發(fā)送的方法，例如我們PC機(jī)采用的 INTEL 架構(gòu)，而另一些是采用高位先發(fā)送的方式，在網(wǎng)絡(luò)中交換數(shù)據(jù)時(shí)，為了核對(duì)雙方對(duì)于高低位的認(rèn)識(shí)是否是一致的，采用了一種很簡(jiǎn)便的方法，就是在文本流的開始時(shí)向?qū)Ψ桨l(fā)送一個(gè)標(biāo)志符——如果之后的文本是高位在位，那就發(fā)送"FEFF"，反之，則發(fā)送"FFFE"。不信你可以用二進(jìn)制方式打開一個(gè)UTF-X格式的文件，看看開頭兩個(gè)字節(jié)是不是這兩個(gè)字節(jié)？ <br />
<br />
講到這里，我們?cè)夙槺阏f(shuō)說(shuō)一個(gè)很著名的奇怪現(xiàn)象：當(dāng)你在 windows 的記事本里新建一個(gè)文件，輸入"聯(lián)通"兩個(gè)字之后，保存，關(guān)閉，然后再次打開，你會(huì)發(fā)現(xiàn)這兩個(gè)字已經(jīng)消失了，代之的是幾個(gè)亂碼！呵呵，有人說(shuō)這就是聯(lián)通之所以拼不過(guò)移動(dòng)的原因。<br />
其實(shí)這是因?yàn)镚B2312編碼與UTF8編碼產(chǎn)生了編碼沖撞的原因。<br />
從網(wǎng)上引來(lái)一段從UNICODE到UTF8的轉(zhuǎn)換規(guī)則：Unicode<br />
UTF-8 <br />
<br />
0000 - 007F<br />
0xxxxxxx<br />
<br />
0080 - 07FF<br />
110xxxxx 10xxxxxx<br />
<br />
0800 - FFFF<br />
1110xxxx 10xxxxxx 10xxxxxx<br />
<br />
例如"漢"字的Unicode編碼是6C49。6C49在0800-FFFF之間，所以要用3字節(jié)模板：1110xxxx 10xxxxxx 10xxxxxx。將6C49寫成二進(jìn)制是：0110 1100 0100 1001，將這個(gè)比特流按三字節(jié)模板的分段方法分為0110 110001 001001，依次代替模板中的x，得到：1110-0110 10-110001 10-001001，即E6 B1 89，這就是其UTF8的編碼。 <br />
而當(dāng)你新建一個(gè)文本文件時(shí)，記事本的編碼默認(rèn)是ANSI, 如果你在ANSI的編碼輸入漢字，那么他實(shí)際就是GB系列的編碼方式，在這種編碼下，"聯(lián)通"的內(nèi)碼是：<br />
c1 1100 0001<br />
aa 1010 1010<br />
cd 1100 1101<br />
a8 1010 1000<br />
注意到了嗎？第一二個(gè)字節(jié)、第三四個(gè)字節(jié)的起始部分的都是"110"和"10"，正好與UTF8規(guī)則里的兩字節(jié)模板是一致的，于是再次打開記事本時(shí)，記事本就誤認(rèn)為這是一個(gè)UTF8編碼的文件，讓我們把第一個(gè)字節(jié)的110和第二個(gè)字節(jié)的10去掉，我們就得到了"00001 101010"，再把各位對(duì)齊，補(bǔ)上前導(dǎo)的0，就得到了"0000 0000 0110 1010"，不好意思，這是UNICODE的006A，也就是小寫的字母"j"，而之后的兩字節(jié)用UTF8解碼之后是0368，這個(gè)字符什么也不是。這就是只有"聯(lián)通"兩個(gè)字的文件沒(méi)有辦法在記事本里正常顯示的原因。 <br />
而如果你在"聯(lián)通"之后多輸入幾個(gè)字，其他的字的編碼不見(jiàn)得又恰好是110和10開始的字節(jié)，這樣再次打開時(shí)，記事本就不會(huì)堅(jiān)持這是一個(gè)utf8編碼的文件，而會(huì)用ANSI的方式解讀之，這時(shí)亂碼又不出現(xiàn)了。<br />
好了，終于可以回答NICO的問(wèn)題了，在數(shù)據(jù)庫(kù)里，有n前綴的字串類型就是UNICODE類型，這種類型中，固定用兩個(gè)字節(jié)來(lái)表示一個(gè)字符，無(wú)論這個(gè)字符是漢字還是英文字母，或是別的什么。<br />
如果你要測(cè)試"abc漢字"這個(gè)串的長(zhǎng)度，在沒(méi)有n前綴的數(shù)據(jù)類型里，這個(gè)字串是7個(gè)字符的長(zhǎng)度，因?yàn)橐粋�(gè)漢字相當(dāng)于兩個(gè)字符。而在有n前綴的數(shù)據(jù)類型里，同樣的測(cè)試串長(zhǎng)度的函數(shù)將會(huì)告訴你是5個(gè)字符，因?yàn)橐粋�(gè)漢字就是一個(gè)字符。
[
本帖最后由 BSXLBSXL 于 2007/7/13 19:00 編輯 www.gydjdsj.org.cn/wsj/]
－－－－－－－－－－－呵呵，謝謝。這個(gè)帖子對(duì)我的胃口。
