UNICODE,GBK,UTF-8區別

Unicode編碼，簡(jiǎn)要解釋UCS、UTF、BMP、BOM等名詞。這是一篇程序員寫(xiě)給程序員的趣味讀物。所謂趣味是指可以比較輕松地了解一些原來(lái)不清楚的概念，增進(jìn)知識，類(lèi)似于打RPG游戲的升級。整理這篇文章的動(dòng)機是兩個(gè)問(wèn)題：

　　問(wèn)題一：

　　使用Windows記事本的“另存為”，可以在GBK、Unicode、Unicode big endian和UTF-8這幾種編碼方式間相互轉換。同樣是txt文件，Windows是怎樣識別編碼方式的呢?

　　我很早前就發(fā)現Unicode、Unicode big endian和UTF-8編碼的txt文件的開(kāi)頭會(huì )多出幾個(gè)字節，分別是FF、FE(Unicode),FE、FF(Unicode big endian),EF、BB、BF(UTF-8)。但這些標記是基于什么標準呢?

　　問(wèn)題二：

　　最近在網(wǎng)上看到一個(gè)ConvertUTF.c，實(shí)現了UTF-32、UTF-16和UTF-8這三種編碼方式的相互轉換。對于Unicode(UCS2)、GBK、UTF-8這些編碼方式，我原來(lái)就了解。但這個(gè)程序讓我有些糊涂，想不起來(lái)UTF-16和UCS2有什么關(guān)系。

　　查了查相關(guān)資料，總算將這些問(wèn)題弄清楚了，順帶也了解了一些Unicode的細節。寫(xiě)成一篇文章，送給有過(guò)類(lèi)似疑問(wèn)的朋友。本文在寫(xiě)作時(shí)盡量做到通俗易懂，但要求讀者知道什么是字節，什么是十六進(jìn)制。

　　0、big endian和little endian

　　big endian和little endian是CPU處理多字節數的不同方式。例如“漢”字的Unicode編碼是6C49。那么寫(xiě)到文件里時(shí)，究竟是將6C寫(xiě)在前面，還是將49寫(xiě)在前面?如果將6C寫(xiě)在前面，就是big endian。如果將49寫(xiě)在前面，就是little endian。

　　“endian”這個(gè)詞出自《格列佛游記》。小人國的內戰就源于吃雞蛋時(shí)是究竟從大頭(Big-Endian)敲開(kāi)還是從小頭(Little-Endian)敲開(kāi)，由此曾發(fā)生過(guò)六次叛亂，一個(gè)皇帝送了命，另一個(gè)丟了王位。

　　我們一般將endian翻譯成“字節序”，將big endian和little endian稱(chēng)作“大尾”和“小尾”。

　　1、字符編碼、內碼，順帶介紹漢字編碼

　　字符必須編碼后才能被計算機處理。計算機使用的缺省編碼方式就是計算機的內碼。早期的計算機使用7位的ASCII編碼，為了處理漢字，程序員設計了用于簡(jiǎn)體中文的GB2312和用于繁體中文的big5。

　　GB2312(1980年)一共收錄了7445個(gè)字符，包括6763個(gè)漢字和682個(gè)其它符號。漢字區的內碼范圍高字節從B0-F7，低字節從A1-FE，占用的碼位是72*94=6768。其中有5個(gè)空位是D7FA-D7FE。

　　GB2312支持的漢字太少。1995年的漢字擴展規范GBK1.0收錄了21886個(gè)符號，它分為漢字區和圖形符號區。漢字區包括21003個(gè)字符。

　　從ASCII、GB2312到GBK，這些編碼方法是向下兼容的，即同一個(gè)字符在這些方案中總是有相同的編碼，后面的標準支持更多的字符。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字節的最高位不為0。按照程序員的稱(chēng)呼，GB2312、GBK都屬于雙字節字符集 (DBCS)。

　　2000年的GB18030是取代GBK1.0的正式國家標準。該標準收錄了27484個(gè)漢字，同時(shí)還收錄了藏文、蒙文、維吾爾文等主要的少數民族文字。從漢字字匯上說(shuō)，GB18030在GB13000.1的20902個(gè)漢字的基礎上增加了CJK擴展A的6582個(gè)漢字(Unicode碼0x3400-0x4db5)，一共收錄了27484個(gè)漢字。

　　CJK就是中日韓的意思。Unicode為了節省碼位，將中日韓三國語(yǔ)言中的文字統一編碼。GB13000.1就是ISO/IEC 10646-1的中文版，相當于Unicode 1.1。

　　GB18030的編碼采用單字節、雙字節和4字節方案。其中單字節、雙字節和GBK是完全兼容的。4字節編碼的碼位就是收錄了CJK擴展A的6582個(gè)漢字。例如：UCS的0x3400在GB18030中的編碼應該是8139EF30，UCS的0x3401在GB18030中的編碼應該是8139EF31。

　　微軟提供了GB18030的升級包，但這個(gè)升級包只是提供了一套支持CJK擴展A的6582個(gè)漢字的新字體：新宋體-18030，并不改變內碼。Windows 的內碼仍然是GBK。

　　這里還有一些細節：

　　GB2312的原文還是區位碼，從區位碼到內碼，需要在高字節和低字節上分別加上A0。

　　對于任何字符編碼，編碼單元的順序是由編碼方案指定的，與endian無(wú)關(guān)。例如GBK的編碼單元是字節，用兩個(gè)字節表示一個(gè)漢字。這兩個(gè)字節的順序是固定的，不受CPU字節序的影響。UTF-16的編碼單元是word(雙字節)，word之間的順序是編碼方案指定的，word內部的字節排列才會(huì )受到endian的影響。后面還會(huì )介紹UTF-16。

　　GB2312的兩個(gè)字節的最高位都是1。但符合這個(gè)條件的碼位只有128*128=16384個(gè)。所以GBK和GB18030的低字節最高位都可能不是1。不過(guò)這不影響DBCS字符流的解析：在讀取DBCS字符流時(shí)，只要遇到高位為1的字節，就可以將下兩個(gè)字節作為一個(gè)雙字節編碼，而不用管低字節的高位是什么。

　　2、Unicode、UCS和UTF

　　前面提到從ASCII、GB2312、GBK到GB18030的編碼方法是向下兼容的。而Unicode只與ASCII兼容(更準確地說(shuō)，是與ISO-8859-1兼容)，與GB碼不兼容。例如“漢”字的Unicode編碼是6C49，而GB碼是BABA。

　　Unicode也是一種字符編碼方法，不過(guò)它是由國際組織設計，可以容納全世界所有語(yǔ)言文字的編碼方案。Unicode的學(xué)名是Universal Multiple-Octet Coded Character Set，簡(jiǎn)稱(chēng)為UCS。UCS可以看作是Unicode Character Set的縮寫(xiě)。

　　根據維基百科全書(shū)(http://zh.wikipedia.org/wiki/)的記載：歷史上存在兩個(gè)試圖獨立設計Unicode的組織，即國際標準化組織(ISO)和一個(gè)軟件制造商的協(xié)會(huì )(unicode.org)。ISO開(kāi)發(fā)了ISO 10646項目，Unicode協(xié)會(huì )開(kāi)發(fā)了Unicode項目。

　　在1991年前后，雙方都認識到世界不需要兩個(gè)不兼容的字符集。于是它們開(kāi)始合并雙方的工作成果，并為創(chuàng )立一個(gè)單一編碼表而協(xié)同工作。從Unicode2.0開(kāi)始，Unicode項目采用了與ISO 10646-1相同的字庫和字碼。

　　目前兩個(gè)項目仍都存在，并獨立地公布各自的標準。Unicode協(xié)會(huì )現在的最新版本是2005年的Unicode 4.1.0。ISO的最新標準是ISO 10646-3:2003。

　　UCS只是規定如何編碼，并沒(méi)有規定如何傳輸、保存這個(gè)編碼。例如“漢”字的UCS編碼是6C49，我可以用4個(gè)ascii數字來(lái)傳輸、保存這個(gè)編碼;也可以用utf-8編碼:3個(gè)連續的字節E6 B1 89來(lái)表示它。關(guān)鍵在于通信雙方都要認可。UTF-8、UTF-7、UTF-16都是被廣泛接受的方案。UTF-8的一個(gè)特別的好處是它與ISO-8859-1完全兼容。UTF是“UCS Transformation Format”的縮寫(xiě)。

　　IETF的RFC2781和RFC3629以RFC的一貫風(fēng)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(xiě)。但IETF負責維護的RFC是Internet上一切規范的基礎。

　　2.1、內碼和code page

　　目前Windows的內核已經(jīng)支持Unicode字符集，這樣在內核上可以支持全世界所有的語(yǔ)言文字。但是由于現有的大量程序和文檔都采用了某種特定語(yǔ)言的編碼，例如GBK，Windows不可能不支持現有的編碼，而全部改用Unicode。

　　Windows使用代碼頁(yè)(code page)來(lái)適應各個(gè)國家和地區。code page可以被理解為前面提到的內碼。GBK對應的code page是CP936。

　　微軟也為GB18030定義了code page：CP54936。但是由于GB18030有一部分4字節編碼，而Windows的代碼頁(yè)只支持單字節和雙字節編碼，所以這個(gè)code page是無(wú)法真正使用的。

　　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(gè)字節編碼，UCS-4就是用4個(gè)字節(實(shí)際上只用了31位，最高位必須為0)編碼。下面讓我們做一些簡(jiǎn)單的數學(xué)游戲：

　　UCS-2有2^16=65536個(gè)碼位，UCS-4有2^31=2147483648個(gè)碼位。

　　UCS-4根據最高位為0的最高字節分成2^7=128個(gè)group。每個(gè)group再根據次高字節分為256個(gè)plane。每個(gè)plane根據第3個(gè)字節分為256行 (rows)，每行包含256個(gè)cells。當然同一行的cells只是最后一個(gè)字節不同，其余都相同。

　　group 0的plane 0被稱(chēng)作Basic Multilingual Plane, 即BMP?；蛘哒f(shuō)UCS-4中，高兩個(gè)字節為0的碼位被稱(chēng)作BMP。

　　將UCS-4的BMP去掉前面的兩個(gè)零字節就得到了UCS-2。在UCS-2的兩個(gè)字節前加上兩個(gè)零字節，就得到了UCS-4的BMP。而目前的UCS-4規范中還沒(méi)有任何字符被分配在BMP之外。