程序员趣味读物：谈谈Unicode编码

这是一篇程序员写给程序员的趣味读物。所谓趣味是指能够比较轻松地了解一些原来不清楚的概念，增进知识，相似于打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”，能够在GBK、Unicode、Unicode big endian和UTF-8这几种编码方式间相互转换。一样是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-3二、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，送给有过相似疑问的朋友。本文在写做时尽可能作到通俗易懂，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处理多字节数的不一样方式。例如“汉”字的Unicode编码是6C49。那么写到文件里时，到底是将6C写在前面，仍是将49写在前面？若是将6C写在前面，就是big endian。仍是将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)敲开仍是从小头(Little-Endian)敲开，由此曾发生过六次叛乱，其中一个皇帝送了命，另外一个丢了王位。

　　咱们通常将endian翻译成“字节序”，将big endian和little endian称做“大尾”和“小尾”。

一、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。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。如今的PC平台必须支持GB18030，对嵌入式产品暂不做要求。因此手机、MP3通常只支持GB2312。

　　从ASCII、GB23十二、GBK到GB18030，这些编码方法是向下兼容的，即同一个字符在这些方案中老是有相同的编码，后面的标准支持更多的字符。在这些编码中，英文和中文能够统一地处理。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，GB23十二、GBK到GB18030都属于双字节字符集 (DBCS)。

　　有的中文Windows的缺省内码仍是GBK，能够经过GB18030升级包升级到GB18030。不过GB18030相对GBK增长的字符，普通人是很难用到的，一般咱们仍是用GBK指代中文Windows内码。

　　这里还有一些细节：

　　GB2312的原文仍是区位码，从区位码到内码，须要在高字节和低字节上分别加上A0。

　　在DBCS中，GB内码的存储格式始终是big endian，即高位在前。

　　GB2312的两个字节的最高位都是1。但符合这个条件的码位只有128*128=16384个。因此GBK和GB18030的低字节最高位均可能不是1。不过这不影响DBCS字符流的解析：在读取DBCS字符流时，只要遇到高位为1的字节，就能够将下两个字节做为一个双字节编码，而不用管低字节的高位是什么。

二、Unicode、UCS和UTF

　　前面提到从ASCII、GB23十二、GBK到GB18030的编码方法是向下兼容的。而Unicode只与ASCII兼容（更准确地说，是与ISO-8859-1兼容），与GB码不兼容。例如“汉”字的Unicode编码是6C49，而GB码是BABA。

　　Unicode也是一种字符编码方法，不过它是由国际组织设计，能够容纳全世界全部语言文字的编码方案。Unicode的学名是"Universal Multiple-Octet Coded Character Set"，简称为UCS。UCS能够看做是"Unicode Character Set"的缩写。

　　根据维基百科全书(http://zh.wikipedia.org/wiki/)的记载：历史上存在两个试图独立设计Unicode的组织，即国际标准化组织（ISO）和一个软件制造商的协会（unicode.org）。ISO开发了ISO 10646项目，Unicode协会开发了Unicode项目。

　　在1991年先后，双方都认识到世界不须要两个不兼容的字符集。因而它们开始合并双方的工做成果，并为创立一个单一编码表而协同工做。从Unicode2.0开始，Unicode项目采用了与ISO 10646-1相同的字库和字码。

　　目前两个项目仍都存在，并独立地公布各自的标准。Unicode协会如今的最新版本是2005年的Unicode 4.1.0。ISO的最新标准是10646-3:2003。

　　UCS规定了怎么用多个字节表示各类文字。怎样传输这些编码，是由UTF(UCS Transformation Format)规范规定的，常见的UTF规范包括UTF-八、UTF-七、UTF-16。

　　IETF的RFC2781和RFC3629以RFC的一向风格，清晰、明快又不失严谨地描述了UTF-16和UTF-8的编码方法。我老是记不得IETF是Internet Engineering Task Force的缩写。但IETF负责维护的RFC是Internet上一切规范的基础。

三、UCS-二、UCS-四、BMP 　　UCS有两种格式：UCS-2和UCS-4。顾名思义，UCS-2就是用两个字节编码，UCS-4就是用4个字节（实际上只用了31位，最高位必须为0）编码。下面让咱们作一些简单的数学游戏： 　　UCS-2有2^16=65536个码位，UCS-4有2^31=2147483648个码位。 　　UCS-4根据最高位为0的最高字节分红2^7=128个group。每一个group再根据次高字节分为256个plane。每一个plane根据第3个字节分为256行 (rows)，每行包含256个cells。固然同一行的cells只是最后一个字节不一样，其他都相同。 　　group 0的plane 0被称做Basic Multilingual Plane, 即BMP。或者说UCS-4中，高两个字节为0的码位被称做BMP。 　　将UCS-4的BMP去掉前面的两个零字节就获得了UCS-2。在UCS-2的两个字节前加上两个零字节，就获得了UCS-4的BMP。而目前的UCS-4规范中尚未任何字符被分配在BMP以外。 四、UTF编码 　　UTF-8就是以8位为单元对UCS进行编码。从UCS-2到UTF-8的编码方式以下： UCS-2编码(16进制) UTF-8 字节流(二进制) 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，因此确定要用3字节模板了：1110xxxx 10xxxxxx10xxxxxx。将6C49写成二进制是：0110 110001 001001， 用这个比特流依次代替模板中的x，获得：1110011010110001 10001001，即E6 B1 89。 　　读者能够用记事本测试一下咱们的编码是否正确。 　　UTF-16以16位为单元对UCS进行编码。对于小于0x10000的UCS码，UTF-16编码就等于UCS码对应的16位无符号整数。对于不小于0x10000的UCS码，定义了一个算法。不过因为实际使用的UCS2，或者UCS4的BMP必然小于0x10000，因此就目前而言，能够认为UTF-16和UCS-2基本相同。但UCS-2只是一个编码方案，UTF-16却要用于实际的传输，因此就不得不考虑字节序的问题。 五、UTF的字节序和BOM 　　UTF-8以字节为编码单元，没有字节序的问题。UTF-16以两个字节为编码单元，在解释一个UTF-16文本前，首先要弄清楚每一个编码单元的字节序。例如收到一个“奎”的Unicode编码是594E，“乙”的Unicode编码是4E59。若是咱们收到UTF-16字节流“594E”，那么这是“奎”仍是“乙”？ 　　Unicode规范中推荐的标记字节顺序的方法是BOM。BOM不是“Bill Of Material”的BOM表，而是Byte Order Mark。BOM是一个有点小聪明的想法： 　　在UCS编码中有一个叫作"ZERO WIDTH NO-BREAK SPACE"的字符，它的编码是FEFF。而FFFE在UCS中是不存在的字符，因此不该该出如今实际传输中。UCS规范建议咱们在传输字节流前，先传输字符"ZERO WIDTH NO-BREAK SPACE"。 　　这样若是接收者收到FEFF，就代表这个字节流是Big-Endian的；若是收到FFFE，就代表这个字节流是Little-Endian的。所以字符"ZERO WIDTH NO-BREAK SPACE"又被称做BOM。 　　UTF-8不须要BOM来代表字节顺序，但能够用BOM来代表编码方式。字符"ZERO WIDTH NO-BREAK SPACE"的UTF-8编码是EF BB BF（读者能够用咱们前面介绍的编码方法验证一下）。因此若是接收者收到以EF BB BF开头的字节流，就知道这是UTF-8编码了。 　　Windows就是使用BOM来标记文本文件的编码方式的。 六、进一步的参考资料 　　本文主要参考的资料是 "Short overview of ISO-IEC 10646 and Unicode" (http://www.nada.kth.se/i18n/ucs/unicode-iso10646-oview.html)。 　　我还找了两篇看上去不错的资料，不过由于我开始的疑问都找到了答案，因此就没有看： "Understanding Unicode A general introduction to the Unicode Standard" (http://scripts.sil.org/cms/scripts/page.php?site_id=nrsi&item_id=IWS-Chapter04a)  "Character set encoding basics Understanding character set encodings and legacy encodings" (http://scripts.sil.org/cms/scripts/page.php?site_id=nrsi&item_id=IWS-Chapter03) 　　我写过UTF-八、UCS-二、GBK相互转换的软件包，包括使用Windows API和不使用Windows API的版本。之后有时间的话，我会整理一下放到个人我的主页上(http://fmddlmyy.home4u.china.com)。 　　我是想清楚全部问题后才开始写这篇文章的，原觉得一下子就能写好。没想到考虑措辞和查证细节花费了很长时间，居然从下午1:30写到9:00。但愿有读者能从中受益。