汉字编码方式介绍.pdfVIP

谈谈 Unicode 编码，简要解释 UCS、UTF、BMP、 BOM 等名词 这是一篇程序员写给程序员的趣味读物。所谓趣味是指可以比较轻松地了解一些 原来不清楚的概念，增进知识，类似于打 RPG 游戏的升级。整理这篇文章的动 机是两个问题： 问题一： 使用 Windows 记事本的“另存为”，可以在 GBK、Unicode、Unicode big endian 和 UTF-8 这几种编码方式间相互转换。同样是 txt 文件，Windows 是怎样识别编码方式的呢？ 我很早前就发现 Unicode、Unicode big endian 和 UTF-8 编码的 txt 文件 的开头会多出几个字节，分别是 FF、FE（Unicode）,FE、FF（Unicode big endian）,EF、BB、BF（UTF-8）。但这些标记是基于什么标准呢？ 问题二： 最近在网上看到一个ConvertUTF.c，实现了UTF-32 、UTF-16 和UTF-8 这三种编码 方式的相互转换。对于 Unicode(UCS2) 、GBK、UTF-8 这些编码方式，我原来就了 解。但这个程序让我有些糊涂，想不起来UTF-16 和UCS2 有什么关系。 查了查相关资料，总算将这些问题弄清楚了，顺带也了解了一些 Unicode 的细 节。写成一篇文章，送给有过类似疑问的朋友。本文在写作时尽量做到通俗易懂， 但要求读者知道什么是字节，什么是十六进制。 0、big endian 和 little endian big endian 和 little endian 是 CPU 处理多字节数的不同方式。例如“汉”字的 Unicode 编码是 6C49。那么写到文件里时，究竟是将 6C 写在前面，还是将 49 写在前面？如果将 6C 写在前面，就是 big endian。如果将 49 写在前面，就是 little endian。 “endian”这个词出自《格列佛游记》。小人国的内战就源于吃鸡蛋时是究竟从大 头(Big-Endian)敲开还是从小头(Little-Endian)敲开，由此曾发生过六次叛乱，一 个皇帝送了命，另一个丢了王位。 我们一般将endian 翻译成“字节序”，将big endian 和 little endian称作“大尾”和“小 尾”。 1、字符编码、内码，顺带介绍汉字编码 字符必须编码后才能被计算机处理。计算机使用的缺省编码方式就是计算机的内 码。早期的计算机使用 7 位的 ASCII 编码，为了处理汉字，程序员设计了用于 简体中文的 GB2312 和用于繁体中文的 big5。 GB2312(1980 年)一共收录了 7445 个字符，包括 6763 个汉字和 682 个其它符 号。汉字区的内码范围高字节从 B0-F7，低字节从 A1-FE，占用的码位是 72*94=6768。其中有 5 个空位是 D7FA-D7FE。 GB2312 支持的汉字太少。1995 年的汉字扩展规范 GBK1.0 收录了 21886 个符 号，它分为汉字区和图形符号区。汉字区包括 21003 个字符。 从 ASCII、GB2312 到 GBK，这些编码方法是向下兼容的，即同一个字符在这 些方案中总是有相同的编码，后面的标准支持更多的字符。在这些编码中，英文 和中文可以统一地处理。区分中文编码的方法是高字节的最高位不为 0。按照程 序员的称呼，GB2312、GBK 都属于双字节字符集 (DBCS)。 2000 年的 GB18030 是取代 GBK1.0 的正式国家标准。该标准收录了 27484 个 汉字，同时还收录了藏文、蒙文、维吾尔文等主要的少数民族文字。从汉字字汇 上说，GB18030 在 GB13000.1 的 20902 个汉字的基础上增加了 CJK 扩展 A 的 6582 个汉字（Unicode 码 0x3400-0x4db5），一共收录了 27484 个汉字。 CJK 就是中日韩的意思。Unicode 为了节省码位，将中日韩三国语言中的文字统 一编码。GB13000.1 就是 ISO/IEC 10646-1 的中文版，相当于 Unicode 1.1。 GB18030 的编码采用单字节、双字节和 4 字节方案。其中单字节、双字节和 GBK 是完全兼容的。4 字节编码的码位就是收录了 CJK 扩展 A 的 6582 个汉字。 例 如：UCS 的 0x3400 在 GB18030 中的编码应该