计算机字符集-编码-UTF8

计算机字符集-编码-UTF8 计算机编码 介绍编码之前要从字符和字符集开始介绍: 字符(Character)是各种文字和符号的总称，包括各国家文字、标点符号、图形符号、数字等。字符集(Character set)是多个字符的集合，字符集种类较多，每个字符集包含的字符个数不同，常见字符集名称:ASCII字符集、GB2312字符集、BIG5字符集、 GB18030字符集、Unicode字符集等。计算机要准确的处理各种字符集文字，需要进行字符编码，以便计算机能够识别和存储各种文字。也就是说，计算机是通过处理各种字符集中对字符的编码来实现字符的识别和存储的。 以下对常用的一些字符集进行简单的介绍: 1. ASCII码(American Standard Code for Information Interchange，美国信 息互换代码)是基于罗马字母表的一套电脑编码系统。 7ASCII码使用7位编码，所以最多只能表示128个字符(种)，其中有942 个可打印字符(包括52个英文大小写，10个阿拉伯数字，32个标点符号和 运算符号)和34个控制字符。 可显示字符:英文大小写字符、阿拉伯数字和西文符号。 另外，现在有ASCII扩展字符集，用8位编码，可以表示256种字符，这样 就更支持欧洲字符了。 2. Unicode码 Unicode(Universal Multiple-Octet Coded Character Set 通用多八位编 码字符集的简称)，采用16位编码，即一个字符占用两个字节。这样，用Unicode 编码可以表示世界上几乎所有的字符(还有一些很生僻的没有能表示)。所以，用 Unicode可以满足跨语言、跨平台进行文本转换、处理的要求。 3. GB2312(又称为GB2312-80字符集，全称为《信息交换用汉字编码字符集?基 本集》)。GB2312是中国国家标准的简体中文字符集。它所收录的汉字已经覆 盖99.75%的使用频率，基本满足了汉字的计算机处理需要。在中国大陆和新 加坡获广泛使用。 好了，现在开始介绍一下字符集的发展历程了: 在所有字符集中，最知名的可能要数被称为ASCII的7位字符集了。它是美国标准信息交换代码(American Standard Code for Information Interchange)的缩写, 为美国英语通信所。它由128个字符组成，包括大小写字母、数字0-9、标点符号、非打印字符(换行符、制表符等4个)以及控制字符(退格、响铃等)组成。 但是，由于他是针对英语设计的，当处理带有音调标号(形如汉语的拼音)的欧洲文字时就会出现问题。因此，创建出了一些包括255个字符的由ASCII扩展的字符集。其中有一种通常被称为IBM字符集，它把值为128-255之间的字符用于画图和画 线，以及一些特殊的欧洲字符。另一种8位字符集是ISO 8859-1Latin 1，也简称为ISO Latin-1。它把位于128-255之间的字符用于拉丁字母表中特殊语言字符的编码，也因此而得名。 欧洲语言不是地球上的唯一语言，因此亚洲和非洲语言并不能被8位字符集所支持。仅汉语(或pictograms)字母表就有80000以上个字符。但是把汉语、日语和越南语的一些相似的字符结合起来，在不同的语言里，使不同的字符代表不同的字，这样只用2个字节就可以编码地球上几乎所有地区的文字。因此，创建了UNICODE编码。它通过增加一个高字节对ISO Latin-1字符集进行扩展，当这些高字节位为0时，低字节就是ISO Latin-1字符。UNICODE支持欧洲、非洲、中东、亚洲(包括统一标准的东亚象形汉字和韩国象形文字)。但是，UNICODE并没有提供对诸如Braille, Cherokee, Ethiopic, Khmer, Mongolian, Hmong, Tai Lu, Tai Mau文字的支持。同时它也不支持如Ahom, Akkadian, Aramaic, Babylonian Cuneiform, Balti, Brahmi, Etruscan, Hittite, Javanese, Numidian, Old Persian Cuneiform, Syrian之类的古老文字。 事实证明，对可以用ASCII表示的字符使用UNICODE并不高效，因为UNICODE比ASCII占用大一倍的空间，而对ASCII来说高字节的0对他毫无用处。为了解决这个问题，就出现了一些中间格式的字符集，他们被称为通用转换格式，即UTF(Universal Transformation Format)。目前存在的UTF格式有:UTF-7, UTF-7.5, UTF-8, UTF-16, 以及 UTF-32。 接着，讨论一下UTF-8字符编码: 用UTF-8编码，当表示ASCII字符集的UNICODE字符，将会编码成1个字节，并且UTF-8表示与ASCII字符表示是一样的。所有其他的UNCODE字符转化成UTF-8将需要至少2个字节。如果一个Unicode字符需要2个字节表示，则编码成UTF-8很可能需要3个字节(很多情况下是这样的，但要注意，“木”用UTF-8编码需要3个字节，但是，要用ASCII码对“tree”进行编码，则需要4个字节，这个也是对汉语等一些象形文字编码的一大特点)，如果一个UNICODE字符由4个字节表示，则编码成UTF-8可能需要6个字节(当然，这种情况很少见)。每个字节由一个换码序列开始。具体的编码原理，这里不再详细介绍了。 UTF-8编码的优点: UTF-8编码可以通过屏蔽位和移位操作快速读写。字符串比较时strcmp()和wcscmp()的返回结果相同，因此使排序变得更加容易。字节FF和FE在UTF-8编码中永远不会出现，因此他们可以用来表明UTF-16或UTF-32文本(见BOM) UTF-8 是字节顺序无关的。它的字节顺序在所有系统中都是一样的，因此它实际上并不需要BOM。 UTF-8编码的缺点: 你无法从UNICODE字符数判断出UTF-8文本的字节数，因为UTF-8是一种变长编 码它需要用2个字节编码那些用扩展ASCII字符集只需1个字节的字符 ISO Latin-1 是UNICODE的子集，但不是UTF-8的子集 8位字符的UTF-8编码会被email网关过滤，因为internet信息最初设计为7位ASCII码。因此产生了UTF-7编码。 UTF-8 在它的表示中使用值100xxxxx的几率超过50%， 而现存的实现如ISO 2022， 4873， 6429，以及8859系统，会把它错认为是C1 控制码。因此产生了UTF-7.5编码。 参考资料: