为了正常的体验网站,请在浏览器设置里面开启Javascript功能!

各种字符编码方式详解及由来(ANSI,UNICODE,UTF-8,GB2312,GBK)

2017-10-21 7页 doc 21KB 13阅读

用户头像

is_219945

暂无简介

举报
各种字符编码方式详解及由来(ANSI,UNICODE,UTF-8,GB2312,GBK)各种字符编码方式详解及由来(ANSI,UNICODE,UTF-8,GB2312,GBK) 各种字符编码方式详解及由来(ANSI,UNICODE,UTF-8,GB2312,GBK) 一直对字符的各种编码方式懵懵懂懂~什么ANSI UNICODE UTF-8 GB2312 GBK DBCS UCS……是不是看的很晕~假如您细细的阅读本文你一定可以清晰的理解他们。Let's go! 很久很久以前~有一群人~他们决定用8个可以开合的晶体管来组合成不同的状态~以表示世界上的万物。他们看到8个开关状态是好的~于是他们把这称为"字 节...
各种字符编码方式详解及由来(ANSI,UNICODE,UTF-8,GB2312,GBK)
各种字符编码方式详解及由来(ANSI,UNICODE,UTF-8,GB2312,GBK) 各种字符编码方式详解及由来(ANSI,UNICODE,UTF-8,GB2312,GBK) 一直对字符的各种编码方式懵懵懂懂~什么ANSI UNICODE UTF-8 GB2312 GBK DBCS UCS……是不是看的很晕~假如您细细的阅读本文你一定可以清晰的理解他们。Let's go! 很久很久以前~有一群人~他们决定用8个可以开合的晶体管来组合成不同的状态~以示世界上的万物。他们看到8个开关状态是好的~于是他们把这称为"字 节"。 再后来~他们又做了一些可以处理这些字节的机器~机器开动了~可以用字节来组合出很多状态~状态开始变来变去。他们看到这样是好的~于是 它们就这机器称为"计算机"。 开始计算机只在美国用。八位的字节一共可以组合出256(2的8次方)种不同的状态。 他 们把其中的编号从0开始的32种状态分别规定了特殊的用途~一但终端、打印机遇上约定好的这些字节被传过来时~就要做一些约定的动作。遇上00x10, 终端就换行~遇上0x07, 终端就向人们嘟嘟叫~例好遇上0x1b, 打印机就打印反白的字~或者终端就用彩色显示字母。他们看到这样很好~于是就把这些0x20以下的字节状态称为"控制码"。 他们又把所有的空 格、标点符号、数字、大小写字母分别用连续的字节状态表示~一直编到了第127号~这样计算机就可以用不同字节来存储英语的文字了。大家看到这样~都感觉 很好~于是大家都把这个叫做 ANSI 的"Ascii"编码,American Standard Code for Infor mation Interchange~美国信息互换标准代码,。当时世界上所有的计算机都用同样的ASCII方案来保存英文文字。 后来~就像建造巴比伦塔一样~世界各地的都开始使用计算机~但是很多国家用的不是英文~他们的字母里有许多是ASCII里没有的~为了可以在 计算机保存他们的文字~他们决定采用127号之后的空位来表示这些新的字母、符号~还加入了很多画时需要用下到的横线、竖线、交叉等形状~一直把序号 编到了最后一个状态255。从128到255这一页的字符集被称"扩展字符集"。从此之后~贪婪的人类再没有新的状态可以用了~美帝国主义可能没有想到还 有第三世界国家的人们也希望可以用到计算机吧: 等中国人们得到计算机时~已经没有可以利用的字节状态来表示汉字~况且有6000多个常用汉字 需要保存呢。但是这难不倒智慧的中国人民~我们不客气地把那些127号之后的奇异符号们直接取消掉, 规定:一个小于127的字符的意义与原来相同~但两个大于127的字符连在一起时~就表示一个汉字~前面的一个字节,他称之为高字节,从0xA1用到 0xF7~后面一个字节,低字节,从0xA1到0xFE~这样我们就可以组合出大约7000多个简体汉字了。在这些编码里~我们还把 数学符号、罗马希腊的 字母、日文的假名们都编进去了~连在 ASCII 里本来就有的数字、标点、字母都统统重新编了两个字节长的编码~这就是常说的"全角"字符~而原来在127号以下的那些就叫"半角"字符了。 中 国人民看到这样很不错~于是就把这种汉字方案叫做 "GB2312"。GB2312 是对 ASCII 的中文扩展。 但是中国的汉字太多了~我 们很快就就发现有许多人的人名没有办法在这里打出来~特别是某些很会麻烦别人的国家领导人。于是我们不得不继续把 GB2312 没有用到的码位找出来老实不客气地用上。 后 来还是不够用~于是干脆不再要求低字节一定是127号之后的内码~只要第一个字节是大于127就固定表示这是一个汉字的开始~不管后面跟的是不是扩展字符 集里的。结果扩展之后的编码方案被称为 GBK 标准~GBK 包括了 GB2312 的所有内容~同时又增加了近20000个新的汉字,包括繁体字,和符号。 后来少数民族也要用电脑了~于是我们再扩展~又加了几千个新的少数民族 的字~GBK 扩成了 GB18030。从此之后~中华民族的文化就可以在计算机时代中传承了。 中 国的程序员们看到这一系列汉字编码的标准是好的~于是通称他们叫做 "DBCS",Double Byte Charecter Set 双字节字符集,。在DBCS 最大的特点是两字节长的汉字字符和一字节长的英系列标准里~ 文字符并存于同一套编码方案里~因此他们写的程序为了支持中文处 理~必须要注意字串里的每一个字节的值~如果这个值是大于127的~那么就认为一个双字节字符集里的字符出现了。那时候凡是受过加持~会编程的计算机僧侣 们都要每天念下面这个咒语数百遍: "一个汉字算两个英文字符:一个汉字算两个英文字符……" 因为当时各个国家都像中国这样搞出一套自己的编码标准~结果互相之间谁也不懂谁的编码~谁也不支持别人的编码~连大陆和台湾这样只相隔了150海里~使用 着同一种语言的兄弟地区~也分别采用了不同的 DBCS 编码方案——当时的中国人想让电脑显示汉字~就必须装上一个"汉字系统"~专门用来处理汉字的显示、输入的问题~但是那个台湾的愚昧封建人士写的算命程序 就必须加装另一套支持 BIG5 编码的什么"倚天汉字系统"才可以用~装错了字符系统~显示就会乱了套:这怎么办,而且世界民族之林中还有那些一时用不上电脑的穷苦人民~他们的文字又怎 么办, 真是计算机的巴比伦塔命题啊: 正在这时~大天使加百列及时出现了——一个叫 ISO ,国际标谁化组织,的国际组织决定着手解决这个问题。他们采用的方法很简单:废了所有的地区性编码方案~重新搞一个包括了地球上所有文化、所有字母和符号 的编码:他们打算叫它"Universal Multiple-Octet Coded Character Set"~简称 UCS, 俗称 "UNICODE"。 UNICODE 开始制订时~计算机的存储器容量极大地发展了~空间再也不成为问题了。于是 ISO 就直接规定必须用两个字节~也就是16 位来统一表示所有的字符~对于ascii里的那些“半角”字符~UNICODE 包持其原编码不变~只是将其长度由原来的8位扩展为16位~而其他文化和语言的字符则全部重新统一编码。由于"半角"英文符号只需要用到低8位~所以其高 8位永远是0~因此这种大气的方案在保存英文文本时会多浪费一倍的空间。 这时候~从旧社会里走过来的程序员开始发现一个奇怪的现象:他们的 strlen函数靠不住了~一个汉字不再是相当于两个字符了~而是一个:是的~从 UNICODE 开始~无论是半角的英文字母~还是全角的汉字~它们都是统一的"一个字符":同时~也都是统一的"两个字节"~请注意"字符"和"字节"两个术语的不同~ “字节”是一个8位的物理存贮单元~而“字符”则是一个文化相关的符号。在UNICODE 中~一个字符就是两个字节。一个汉字算两个英文字符的时代已经快过去了。 从前多种字符集存在时~那些做多语言软件的公司遇上过很大麻烦~他们为了在不同的国家销售同一套软件~就不得不在区域化软件时也加持那个双字节字符集咒 语~不仅要处处小心不要搞错~还要把软件中的文字在不同的字符集中转来转去。UNICODE 对于他们来说是一个很好的一揽子解决方案~于是从 Windows NT 开始~MS 趁机把它们的操作系统改了一遍~把所有的核心代码都改成了用 UNICODE 方 从这时开始~WINDOWS 系统终于无需要加装各种本土式工作的版本~ 语言系统~就可以显示全世界上所有文化的字符了。 但是~UNICODE 在制订时没有考虑与任何一种现有的编码方案保持兼容~这使得 GBK 与UNICODE 在汉字的内码编排上完全是不一样的~没有一种简单的算术方法可以把文本内容从UNICODE编码和另一种编码进行转换~这种转换必须通过查表来进行。 如前所述~UNICODE 是用两个字节来表示为一个字符~他总共可以组合出65535不同的字符~这大概已经可以覆盖世界上所有文化的符号。如果还不够也没有关系~ISO已经准备 了UCS-4方案~说简单了就是四个字节来表示一个字符~这样我们就可以组合出21亿个不同的字符出来,最高位有其他用途,~这大概可以用到银河联邦成立 那一天吧: UNICODE 来到时~一起到来的还有计算机网络的兴起~UNICODE 如何在网络上传输也是一个必须考虑的问题~于是面向传输的众多 UTF,UCS Transfer Format,标准出现了~顾名思义~UTF8就是每次8个位传输数据~而UTF16就是每次16个位~只不过为了传输时的可靠性~从UNICODE到 UTF时并不是直接的对应~而是要过一些算法和规则来转换。 受到过网络编程加持的计算机僧侣们都知道~在网络里传递信息时有一个很重要的问 题~就是对于数据高低位的解读方式~一些计算机是采用低位先发送的方法~例如我们PC机采用的 INTEL 架构~而另一些是采用高位先发送的方式~在网络中交换数据时~为了核对双 方对于高低位的认识是否是一致的~采用了一种很简便的方法~就是在文本流的开始时 向对方发送一个标志符——如果之后的文本是高位在位~那就发送"FEFF"~反之~则发送"FFFE"。不信你可以用二进制方式打开一个UTF-X格式的 文件~看看开头两个字节是不是这两个字节, 讲到这里~我们再顺便说说一个很著名的奇怪现象:当你在 windows 的记事本里新建一个文件~输入"联通"两个字之后~保存~关闭~然后再次打开~你会发现这两个字已经消失了~代之的是几个乱码:呵呵~有人说这就是联通之 所以拼不过移动的原因。 其实这是因为GB2312编码与UTF8编码产生了编码冲撞的原因。 从网上引来一段从UNICODE到 UTF8的转换规则: Unicode UTF-8 0000 - 007F 0xxxxxxx 0080 - 07FF 110xxxxx 10xxxxxx 0800 - FFFF 1110xxxx 10xxxxxx 10xxxxxx 例如"汉"字的Unicode编码是6C49。6C49在0800-FFFF之间~所以要用3字节模板:1110xxxx 10xxxxxx 10xxxxxx。将6C49写成二进制是:0110 1100 0100 1001~将这个比特流按三字节模板的分段方法分为0110 110001 001001~依次代替模板中的x~得到:1110-0110 10-110001 10-001001~即E6 B1 89~这就是其UTF8的编码。 而当你新建一个文本文件时~记事本的编码默认是ANSI, 如果你在ANSI的编码输入汉字~那么他实际就是GB系列的编码方式~在这种编码下~"联通"的内码是: c1 1100 0001 aa 1010 1010 cd 1100 1101 a8 1010 1000 注意到了吗,第一二个字节、第三四个字节的起始部分的都是"110"和"10"~正好与UTF8规则里的两字节模板是一致的~于是再次打开记事本时~记事 本就误认为这是一个UTF8编码的文件~让我们把第一个字节的110和第二个字节的10去掉~我们就得到了"00001 101010"~再把各位对齐~补上前导的0~就得到了"0000 0000 0110 1010"~不好意思~这是UNICODE的006A~也就是小写的字母"j"~而之后的两字节用UTF8解码之后是0368~这个字符什么也不是。这就 是只有"联通"两个字的文件没有办法在记事本里正常显示的原因。 而如果你在"联通"之后多输入几个字~其他的字的编码不见得又恰好是110和 10开始的字节~这样再次打开时~记事本就不会坚持这是一个utf8编码的文件~而会用ANSI的方式解读之~这时乱码又不出现了。 好了~终于可以回答NICO的问题了~在数据库里~有n前缀的字串类型就是UNICODE类型~这种类型中~固定用两个字节来表示一个字符~无论这个字符 是汉字还是英文字母~或是别的什么。 如果你要测试"abc汉字"这个串的长度~在没有n前缀的数据类型里~这个字串是7个字符的长度~因为一个 汉字相当于两个字符。而在有n前缀的数据类型里~同样的测试串长度的函数将会告诉你是5个字符~因为一个汉字就是一个字符。
/
本文档为【各种字符编码方式详解及由来(ANSI,UNICODE,UTF-8,GB2312,GBK)】,请使用软件OFFICE或WPS软件打开。作品中的文字与图均可以修改和编辑, 图片更改请在作品中右键图片并更换,文字修改请直接点击文字进行修改,也可以新增和删除文档中的内容。
[版权声明] 本站所有资料为用户分享产生,若发现您的权利被侵害,请联系客服邮件isharekefu@iask.cn,我们尽快处理。 本作品所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用。 网站提供的党政主题相关内容(国旗、国徽、党徽..)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。
热门搜索

历史搜索

    清空历史搜索