ASCII、Unicode、UCS

  刚刚查询完ASCII码后，突然想搞清楚字符的编码。   计算机对数据的读取是按照一个字节的大小来读取识别的，那么面对全世界这么多语言，计算机怎么知道是多个字节表示一个符号，而不是分别表示多个符号呢？   结合了几篇前辈的文章，自己重新总结了下ASCII、Unicode、UTF-8的编码规则。

  在计算机中所有信息都是以二进制位0和1来存储的。

  8个比特位是一个字节（8 bit = 1 Byte），即一个字节一共可以用来表示256种不同的状态。

  ASCII（American Standard Code for Information Interchange）：美国信息交换标准代码是基于拉丁字母的一套电脑编码系统，主要用于显示电脑和其他电信设备中的现代英语和其他西欧语言。

  电脑所有信息都是以二进制的方式来计算和存储的，那么人们能识别的文字和计算机中的二进制必然存在一种映射关系，ASCII就是最初的一种映射关系，也叫字符集。

  比如在ASCII中，大写字母“A”对应ASCII码的十进制是65，二进制就是0100 0001；小写字母a对应ASCII码的十进制是97（二进制0110 0001）；阿拉伯数字0对应ASCII码的十进制是48（二进制0011 0000）；还有空格32（0010 0000）等等一些键盘上所见的符号。

ASCII中的所有字符与对应编码，请看我的上一篇文章：《ASCII美国信息交换标准代码表》

  随着计算机在全球的发展和普及开来，单字节只能够表示阿拉伯数字、英文字母、普通符号的标准ASCII码（128个），以及扩展部分欧洲语言字符之后的ASCII扩展码（256个），仍然无法完全表示比如中文、日文等其他语言字符。

  所以各个国家便着手本国语言的编码，例如：中国国家标准总局1980年发行的GB2312以及之后的扩展版本GBK和GB18030。这导致了世界上存在着多种编码方式，出现了同一个二进制数字可以被解释成不同字符的现象。

  GB2312因为只表示普通数字、字母、汉字，不表示其他语言，所以使用两个字节已经足够，但是它和汉字的映射，与之后的Unicode和汉字的映射没有任何关系。

  比如汉字“一”在Unicode中对应的字符集是“4E 00”，而在GB2312中对应的字符集是“D2 BB”。

  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。

  所以，就需要一种编码，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。

  直到之后出现了一个全球统一的编码规则叫Unicode，Unicode就像它的名字所表示的，这是一种包含所有符号的编码，它是为整合全世界的所有语言文字而诞生的。

  任何文字在Unicode中都对应一个唯一的值，这个值称为代码点（code point）。

  Unicode编码点分为17个平面（plane），每个平面包含2的16次（即65536）个码位（code point）。

  17个平面的码位可表示为从U+xx0000到U+xxFFFF。

  其中xx表示十六进制值从00到10（16进制），共计17个平面。

    第一个00平面称为“基本多语言平面”（Basic Multilingual Plane，简称BMP）。     剩下16个平面（01-10）称为“辅助平面”（Supplementary Planes）。     Unicode标准规定其编码使用范围并不超过0x10FFFF。

  Unicode字符集中汉字的范围是4E00 ~ 9FA5。4E00是汉字“一”。

  补充：鉴于 Unicode 原有的16位元空间不足以应用，从 Unicode 3.1 版本开始，设立了16个辅助平面，使 Unicode 的可使用空间由六万多字增至约一百万字。原有的 Unicode 空间称为基本平面或基本多文种平面 (Basic Multilingual Plane, 简称 BMP)。辅助平面字符要用上4字节来储存。

（1）如何才能区分Unicode和ASCII？   计算机对数据的读取是按照一个字节的大小来读取识别的，计算机怎么知道三个字节表示的是一个字符，而不是分别表示三个字符呢？

（2）一个字符用统一的字节数来表示，会造成存储空间的浪费。   我们已经知道，英文字母只用一个字节的ASCII码表示就够了，如果Unicode统一规定每个字符需要用相同的字节数来表示，每个字符用两个、三个，甚至四个字节表示，那么每个英文字母前都必然有一到三个字节全是二进制数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。

  注意：Unicode只是一个符号集，它只规定了各个字符所对应的二进制数，并没有规定在计算机中如何存储以及传输的问题。

  UTF-16可看成是UCS-2的父集，UTF-32可看成是UCS-4的子集。

  通用多八位编码字符集（Universal Multiple-Octet Coded Character Set）也叫通用字符集（Universal Character Set, UCS），是由ISO制定的ISO 10646（或称ISO/IEC 10646）标准所定义的标准字符集。

  通用多八位编码字符集包括了其他所有字符集。它保证了与其他字符集的双向兼容，即，如果你将任何文本字符串翻译到UCS格式，然后再翻译回原编码，你不会丢失任何信息。

  UCS-2（Universal Character Set coded in 2 octets），是用定长2个字节来表示字符（定长编码），其取值范围为 U+0000～U+FFFF。

  Unicode当前默认的版本是UCS-2，UCS-2 编码 与 Unicode码 完全一样，6w+的字符量已经足以用于全球的主要语言的大多数字符。

  但是Unicode为了能表示更多的文字，还是提供了一个扩展机制（UCS-4，用四个字节表示代码点，最高位为0，取值范围为 U+00000000～U+7FFFFFFF），允许表示一百多万个字符。   比如，英文字母“A”对应的Unicode（十六进制）是U+0041，转换为十进制是65，转换为二进制是0100 0001，和ASCII码一致，只需要一个字节表示。

  比如，中文“一”对应的Unicode（十六进制）是U+4E00，转换为十进制是19968，转换为二进制是100 1110 0000 0000，这个二进制有15位，需要至少2个字节表示。

  具体的符号对应表，可以查询Unicode官网，也可以查询专门的汉字对应表，还有字符与Unicode编码在线转换。

  随着互联网的普及，为了解决如何来表示Unicode、如何让计算机读懂Unicode的问题，强烈需要一种统一规定存储格式的编码方式，即UTF（Unicode Transformation Format），是Unicode的变长字符编码的方式。

  Unicode的实现方式包括UTF-8、UTF-16、UTF-32，其中 UTF-8 就是在互联网上使用最广的一种 Unicode 的实现方式。

  UTF-8 最大的一个特点，就是它是一种可变长度的编码方式。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 的规则很简单，只有两条：

  （1）对于单字节的符号，字节的最高位二进制数设为0，后面7位为这个符号的 Unicode 码。因此对于英语字母，UTF-8 编码和最初的前128个ASCII标准码是完全相同的。

  （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。

Unicode 和 UTF-8 的映射关系如下表： （UTF-8 编码方式中的x为字符的Unicode二进制编码）

  总结，UTF-8 就是使用控制码+字符码组成，控制码就是告诉计算机当前是单字节还是多字节，字符码就是对应的Unicode。

  比如，汉字“一”对应的Unicode（十六进制）是4E 00，4E 00在08 00 ~ FF FF的范围内，所以对应的 UTF-8 需要三个字节。4E 00对应的二进制为100 1110 0000 0000，加上控制码后，对应的 UTF-8 为11100100 10111000 10000000，控制码后面的高位不足时，用0补充。

  BOM（Byte Order Mark），字节顺序标记，出现在文本文件头部，Unicode编码标准中用于标识文件是采用哪种格式的编码，是UTF编码方案里用于标识编码的标准标记。

  BOM是为 UTF-16 和 UTF-32 准备的，用户标记字节序（Byte Order）。拿UTF-16来举例，其是以两个字节为编码单元，在解释一个 UTF-16 文本前，首先要弄清楚每个编码单元的字节序。例如收到一个“奎”的Unicode编码是59 4E，“乙”的Unicode编码是4E 59。如果我们收到 UTF-16 字节流“59 4E”，那么这是“奎”还是“乙”？（详情请看下一节Little endian 和 Big endian部分）

  UTF-8是以字节为编码单元，没有字节序的问题。

  UTF-8 文件中放置BOM主要是微软的习惯，但是放在别的系统上会出现问题。

  不含BOM的UTF-8才是标准形式。

  UTF-8 BOM是微软在自己的 UTF-8 格式的文本文件之前加上了“EF BB BF”三个字节，Windows上的“Notepad（记事本）”等程序就是根据这三个字节来确定一个文本文件是 ASCII 的还是 UTF-8 的，然而这个只是微软暗自作的标记，其它平台上并没有对 UTF-8 文本文件做个这样的标记。

  上一节已经提到，UCS-2 格式可以存储 Unicode 码（码点不超过0xFFFF）。以汉字“周”为例，Unicode 码是54 68，需要用两个字节存储，一个字节是54，另一个字节是68。存储的时候，54在前，68在后，这就是Big endian方式；68在前，54在后，这是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。

  那么，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规范中推荐的标记字节顺序的方法是BOM。在UCS编码中，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FE FF表示。这正好是两个字节，而且FF比FE大1。

  注意：FE FF在UCS中是不可见的字符，所以不应该出现在实际字节流传输中。

  UCS规范建议我们在传输字节流前，先传输“ZERO WIDTH NO-BREAK SPACE”字符。

  微软Windows平台，有一个最简单的Unicode和 UTF-8 转化方法，就是使用内置的记事本程序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。   “编码”里面有四个选项：ANSI、UTF-16 LE、UTF-16 BE、UTF-8、UTF-8 BOM。   （1）ANSI编码是不是一种特定的编码方式，具体是要取决于操作系统。     对于英文文件是ASCII编码，对于日文文件是JIS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）UTF-16 LE编码指的是UTF-16编码方式，采用Little endian格式（原来顺序）。   （3）UTF-16 BE编码指的是UTF-16编码方式，采用Big endian格式（颠倒顺序）。   （4）UTF-8编码指的是不带BOM的 UTF-8 编码。   （5）UTF-8 BOM编码指的是带BOM的 UTF-8 编码。   从Windows10开始，记事本notepad.exe已经将带BOM和不带BOM的分开来了。

参考文献： [1] Unicode官网 [2] 专门的汉字对应表 [3] 阮一峰的《字符编码笔记》 [4] 熊猫儿的《一文看懂ASCII,UNICODE,UTF8编码规则》 [5] ivy_0709的《详解windows记事本的4种编码方式》 [6] 我(零号萌新)的《ASCII美国信息交换标准代码表》 [7] 工具：字符与Unicode编码在线转换