1.文件分爲文本文件和二進制文件﹐不過本質都一樣﹐都是些01。
2.計算機存儲設備存儲的0或1﹐稱爲計算機的一個二進制位(bit)。
3.二進制文件的0和1有專門的應用程序來讀﹐所以它們沒有什麼亂不亂碼的問題﹐只要該程序認得就行。(像doc,xls,exe,dll等)
4.文本文件就不一樣了﹐notepad要認識它﹐vs.net要認識它,UE也要認識它...所以它們就要有一個標準。這個標準的原理其實很簡單﹐就是把所有的字符都給它一個序號﹐然後根據這個序號來找字符就可以了。這個東東就是編碼表,也叫字符集(charset)。
5.文本文件存的都是字符﹐如﹕A,?,@,x。很明顯一個bit不能表示﹐剛好計算機的存儲單位--字節(byte)就是多個字節(1個byte=8個bit),因此用byte來表示字符就理所當然了。
6.第一個編碼表--ASCII碼很快產生﹐很簡單﹐就是用一個byte來表示一個字符(最高位置0),總共能存儲128(2^8)個字符。如A用 65表示﹐存在計算機中就是01000001(65)﹐爲了書寫方便﹐我們一般記作0x41(16進制),97則表示小寫的a,存在計算機中就是 01100001(97)﹐記作0x61。?用63表示,記作0x3F。
7.英語國家的大小寫字母加起來才52個字符﹐再加上數字﹐符號和一些特殊字符﹐已經足夠使用。所以ASCII剛開始非常流行(誰叫計算機不是咱中國發明的... )
8.隨着計算機的普及﹐當非英語系的國家開始使用時﹐ASCII已經明顯不能滿足了(總不成天天使用xiao sheng來表示"小生"吧),所以這些國家(地區)就開始制訂自己的標準。
9.中國大陸制訂了簡體漢字的字符集(GB2312)。和英語國家不同﹐我們的漢字遠遠不止128個﹐所以一個byte肯定不能表示完﹐那就多加個 byte,16位(65536)總可以了吧。不過這樣雖解決了位數不夠的問題﹐但是原來的英文文件怎麼辦?總不成又全部拿出來改成雙字節吧。幸好﹐居然發現原來的ASCII的第一位居然是0﹐那我們把第1位改成1不就OK了嗎?以後凡看到0開頭的就讀1個字節﹐1開頭的就讀2個字節。(而且128*128 表示所有的簡體字也足夠了)
10.因此在GB2312標準中,"小"的序號是0xD0A1,表示成11010000 10100001,而A還是表示成01000001,這就是爲什麼簡體操作系統讀ASCII文件不會亂碼﹐而反之則不然的原因。
11.目前來說﹐情況還比較好﹐中國大陸的計算機運行正常。
12.看到中國大陸制訂了一個標準﹐其它國家和地區也不甘示弱﹐紛紛亮出自己的字符集,於是乎什麼BIG5(中國臺灣),shift_jis(日本),ks_c_5601-1987(韓國)都閃亮登場﹐一時間百鳥爭鳴,百花齊放。
13.每個國家都想與ASCII保持兼容﹐理所當然﹐後面的字符就完全不一樣了﹐因此﹐同樣的0xD0A1,在GB2312中是"小"字﹐而在BIG5中卻是"苤"字。你想想﹐這樣不亂纔怪。
14.到了這時候﹐總有人會想到﹐再這樣繼續下去是肯定不行的﹐於是它們就想到了﹐如果有一個標準﹐能包括所有字符那不就OK了嗎?
15.於是"大哥大"標準就出來了﹐這就是unicode,爲了能夠足夠表示世界上的所有字符這樣光榮而又偉大的任務﹐這傢伙用了四個字節來表示 (2的32次方到底是多少﹐我也懶得算了),這下好了﹐天下太平了﹐再也不會有麻煩了﹐耳根清靜了...(打住﹐你小子這麼這麼羅嗦呀)
15.不過unicode好是好﹐但是畢竟四個字節表示一個字符"浪費"太大了(我那破貓上網容易嗎﹐電信黑呀﹐說好是2M﹐就給我 200K...)﹐而且大家"驚奇"地發現﹐居然世界上一些"較強大"的國家的字符剛好集中在前65536位前﹐呵呵﹐結果unicode也分成了 unicode-16和unicode-32了﹐自然﹐前者只用兩個字節表示(所以只能表示前65536位嘍,歐亞國家大部分字符都OK了﹐什麼﹐你們那個@$Y$%字符沒有﹐呵呵﹐不管我什麼事,找標準協會﹐都是那幫傢伙弄的...)
16.雖然標準出來了﹐可是好歹ASCII也用了這麼久﹐那些英語國家也在那裏嚷嚷﹐這倒好﹐搞個什麼破標準﹐我們又沒有得到什麼好處﹐反而讓我們原來的程序都運行不了了(爲什麼呀﹐你想想﹐原來我們的程序字符都是一個字節一個字節認﹐現在倒好﹐全改成2個一起認﹐這還怎麼跑呀?)﹐況且我們憑白無故了用了這麼多0﹐真彆扭(unicode中的前128位還是ASCII標準﹐只不過在前面加了8個0)﹐由於那些國家"勢力"比較大﹐所以這個問題不容忽視
17.這個世界上的牛人總是這麼多﹐這個問題很容易就被小意思地解決了。
18.想想GB2312怎麼解決與ASCII兼容的問題的(1開頭的就讀2個字節﹐0開頭的就讀1個字節)﹐同樣﹐UTF也這樣﹐0開頭的讀1個字節(ASCII碼)﹐110開頭的讀2個字節﹐1110開頭的讀3個字節﹐這就是偉大的UTF-8(當然還有UTF-16,原理一樣﹐xx開頭的讀4個字節﹐xx開頭的讀5個字節﹐xx開頭的讀6個字節)
19.當然UTF-8沒GB2312這麼簡單﹐讀完之後不能直接查編碼表﹐多加一個步驟﹐按照模板提取一下字符再查就OK了
以下就是UTF-8的模板
0x0000 - 0x007F用一個字節表示 0xxxxxxx
0x0080 - 0x07FF用兩個字節表示 110xxxxx 10xxxxxx
0x0800 - 0xFFFF用三個字節表示 1110xxxx 10xxxxxx 10xxxxxx
舉個例子吧,
如果你遇到了11100110 10110001 10001001 01000001 這樣的字節流﹐首先你看第一個字節以1110開頭﹐即讀3個字節並按模板提取得到 0110 110001 001001(去除模板標誌﹐再四字節四字節讀即0x6c49),查unicode編碼表就是"漢"字,而最後一個以0開頭就一定是一個字節了﹐0x0041,也就是"A"。
20.好了﹐上面是原理﹐再來談談簡繁體操作系統轉換時的亂碼問題吧
21.按照我的想法﹐windows操作系統應該有一個默認的系統字符集﹐如簡體操作系統應該是GB碼﹐繁體操作系統則是BIG5,英文操作系統是ASCII。系統內的軟件(notepad)默認都是使用這個字符集。
22.所以我在繁體操作系統默認存儲的文本文件就是BIG5了﹐當這個文件到了簡體系統裏﹐它的notepad程序則使用自己的默認編碼(GB)來讀取﹐這樣就亂了。
23.因此如果在保存時就使用utf-8來保存﹐應該在兩系統切換時就不會有問題了。
24.而要解決這個問題其實也很簡單﹐只要知道這個文本文件原來的編碼就可以了﹐使用它讀出來﹐再轉成unicode即可。
上面的東東都是我用自己的理解來解釋的﹐當然有些東西我避開了﹐主要是想讓大家更容易理解原理﹐想要更正式的內容大家到網上隨便一搜就出來了。
在證明那些東東之前﹐首先把.net中關於處理encoding,二進制,16進制,byte等相關類別和方法羅列一下。
1.byte與string(那些255以內的整數)的相互轉換(各種進制之間的相互轉換)
使用System.Convert類別
string to byte
Convert.ToByte(string,base)
base:2表示二進制,8表示八進制,10表示十進制,16表示十六進制(你要輸入33,呵呵﹐異常)
這樣可以把字符串的(0--255)轉成一個byte
Convert.ToByte("01000001",2)轉成 65
Convert.ToByte("255",10)轉成255
Convert.ToByte("42",16)轉成66
同理﹐byte to string也是Convert類
Convert.ToString(byte,base)
同樣可以轉成相應的進製表示的字符串
通過這兩個方法﹐我們要進行2,8,10,16進制的相互轉換就容易了
2.char,int,long,boolean等與byte[]之間的相互轉換(這些數據在內存中的存儲狀況)
使用System.BitConverter類別
我們都知道char,int,long等基本類型是以字節形式存在內存中的﹐所以要查看其內存存儲方式則直接使用BitConverter.GetBytes()就可以了
然後再使用BitConverter.ToString(byte[])就可以以string方式查看了(如:f9-03表示2個字節)
string是由char組成的﹐只要foreach(char in string)就可以看到string的存儲方式了(實驗表明﹐string在內存中是以unicode編碼存在的,下有示例)
3.各種Encoding之間的轉換
使用System.Text中的Encoding相關的類別就可以了
包括Encoding,ASCIIEncoding,UTF8Encoding等,當然也可以通過Encoding.GetEncoding()來獲取不同的編碼。
然後再通過GetBytes(string)方法﹐就可以獲取string的不同編碼的byte數組了
通過GetString(byte[])方法﹐就可以把某種編碼的byte數組轉成字符串.
如"I am 小生,hello world!"的各種bytes編碼測試
using System;using System.Collections;using System.Text;public class MyClass{
public static void Main()
{
string tmp = "I am 小生,hello world!"; WL("內存中存儲的字節數組﹕"); foreach(char c in tmp) { byte[] b = BitConverter.GetBytes(c); Console.Write(BitConverter.ToString(b) + "-");
} WL(""); WL("unicode字節數組﹕"); byte[] bs1 = Encoding.Unicode.GetBytes(tmp); WL(BitConverter.ToString(bs1)); WL("utf8字節數組﹕"); byte[] bs2 = Encoding.UTF8.GetBytes(tmp); WL(BitConverter.ToString(bs2)); WL("default字節數組﹕"); byte[] bs3 = Encoding.Default.GetBytes(tmp); WL(BitConverter.ToString(bs3)); WL("big5字節數組﹕"); byte[] bs4 = Encoding.GetEncoding(950).GetBytes(tmp); WL(BitConverter.ToString(bs4)); RL(); } private static void WL(string text, params object[] args) { Console.WriteLine(text, args); } private static void RL() { Console.ReadLine(); } private static void Break() { System.Diagnostics.Debugger.Break(); }
}
在下面開始之前﹐先摘錄一段關於BOM的知識
-----------------------------------------------------------------
UTF的字節序和BOM
UTF-8以字節爲編碼單元，沒有字節序的問題。UTF-16以兩個字節爲編碼單元，在解釋一個UTF-16文本前，首先要弄清楚每個編碼單元的字節序。例如收到一個“奎”的Unicode編碼是594E，“乙”的Unicode編碼是4E59。如果我們收到UTF-16字節流“594E”，那麼這是“奎”還是“乙”？
Unicode規範中推薦的標記字節順序的方法是BOM。BOM不是“Bill Of Material”的BOM表，而是Byte Order Mark。BOM是一個有點小聰明的想法：在UCS編碼中有一個叫做"ZERO WIDTH NO-BREAK SPACE"的字符，它的編碼是FEFF。而FFFE在UCS中是不存在的字符，所以不應該出現在實際傳輸中。UCS規範建議我們在傳輸字節流前，先傳輸字符"ZERO WIDTH NO-BREAK SPACE"。
這樣如果接收者收到FEFF，就表明這個字節流是Big-Endian的；如果收到FFFE，就表明這個字節流是Little-Endian的。因此字符"ZERO WIDTH NO-BREAK SPACE"又被稱作BOM。
UTF-8不需要BOM來表明字節順序，但可以用BOM來表明編碼方式。字符"ZERO WIDTH NO-BREAK SPACE"的UTF-8編碼是EF BB BF。所以如果接收者收到以EF BB BF開頭的字節流，就知道這是UTF-8編碼了。
Windows就是使用BOM來標記文本文件的編碼方式的。
----------------------------------------------------------
好了﹐這些問題解決後﹐我們就來做單純的文本文件的編碼識別﹐讀取與寫入測試吧。
以windows的notepad爲例(其它的文本文件讀取軟件的原理應該也差不多﹐只是會多一些特殊的判斷算法而已)。
notepad默認有四種編碼來存儲和讀取文本文件。分別是﹕
ANSI,Unicode,Unicode-big-endian和UTF-8。
首先來講ANSI吧﹐這個是windows操作系統在區域與語言塊設置的編碼(也就是系統默認的編碼)﹐因此像繁體操作系統就是big5,而簡體操作系統則是GBK。
而Unicode和UTF-8這兩種格式相信大家已經有所瞭解(當然前者是unicode-16)
而Unicode-big-endian是什麼意思呢﹐它與Unicode幾乎一樣﹐只是它把高位放在前面(而後者則剛好相反)
上面的摘錄已經有所說明﹐這裏再解釋一下﹕
如同樣是字符"A"﹐在以下幾種格式中的存儲形式分別是﹕
UTF-16 big-endian : 00 41
UTF-16 little-endian : 41 00
UTF-32 big-endian : 00 00 00 41
UTF-32 little-endian : 41 00 00 00
好了﹐大家想一想﹐文本文件在硬盤中是以字節形式存儲的﹐如果不知道文本文件的編碼﹐那是無論如何也不能正確讀出文本文件顯示給用戶看的(亂碼了只有人才知道﹐程序則認爲一切正常)
根據BOM的規則﹐因此在一段字節流開始時﹐如果接收到以下字節﹐則分別表明了該文本文件的編碼。
UTF-8: EF BB BF
UTF-16 : FF FE
UTF-16 big-endian: FE FF
UTF-32 little-endian: FF FE 00 00
UTF-32 big-endian: 00 00 FE FF
而如果不是以這個開頭﹐那程序則會以ANSI,也就是系統默認編碼讀取。
所以現在我們來做個測試就可以很清楚地對以上的東東進行驗證了。
1.用notepad輸入"漢A"這2個字符﹐然後分別保存成ANSI,Unicode,Unicode-big-endian和UTF-8,名字分別取爲ansi.txt,unicode.txt,unicode_b.txt,utf8.txt,並且放在c盤根目錄下
2.用以下程序進行驗證
using System;using System.Collections;using System.IO;public class MyClass{ private static void writefile(string path) { FileStream fs = null; try{ fs = new FileStream(path,FileMode.Open); byte[] bs = new byte[fs.Length]; fs.Read(bs,0,bs.Length); WL(BitConverter.ToString(bs)); SixTTwo(BitConverter.ToString(bs)); } catch(Exception ex) { WL(ex.ToString()); } finally { if(fs!=null) fs.Close(); } } public static void Main() { string path; WL("ANSI文件格式的字節流﹕"); path = "c://ansi.txt"; writefile(path); WL("Unicode文件格式的字節流﹕"); path = "c://unicode.txt"; writefile(path); WL("Unicode-big-endian文件格式的字節流﹕"); path = "c://unicode_b.txt"; writefile(path); WL("utf-8文件格式的字節流﹕"); path = "c://utf8.txt"; writefile(path); RL(); } public static void SixTTwo(string sixstr) { string[] tmp = sixstr.Split(new char[]{'-'}); foreach(string s in tmp) { Console.Write(Convert.ToString(Convert.ToByte(s,16),2).PadLeft(8,'0')+ " "); } WL(""); } private static void WL(string text, params object[] args) { Console.WriteLine(text, args); } private static void RL() { Console.ReadLine(); } private static void Break() { System.Diagnostics.Debugger.Break(); }}
3.以下是輸出格式﹕
ANSI文件格式的字節流﹕
BA-BA-41
10111010 10111010 01000001
Unicode文件格式的字節流﹕
FF-FE-49-6C-41-00
11111111 11111110 01001001 01101100 01000001 00000000
Unicode-big-endian文件格式的字節流﹕
FE-FF-6C-49-00-41
11111110 11111111 01101100 01001001 00000000 01000001
utf-8文件格式的字節流﹕
EF-BB-BF-E6-B1-89-41
11101111 10111011 10111111 11100110 10110001 10001001 01000001
從以上結果可以很容易的看到BABA正是"漢"字的gb2312編碼﹐當然我的操作系統是繁體的﹐如果我直接雙擊打開﹐則可以看到"犖A"﹐這是亂碼﹐因爲我的系統baba查的是big5﹐而baba的big5碼正是"犖"
然而還有其它很多程序﹐像IE呀,它可以使用meta標籤來識別文件的編碼,xml也是可以通過encoding屬性來說明文件的編碼的﹐所以這些程序的識別方法和普通的又有些不同罷了。
同樣﹐寫一個文本文件時﹐先寫入這些標記符﹐則也會幫助notepad識別這些文件的編碼(當然.net專門提供了一些類別﹐如StreamWriter﹐可以直接存成某種編碼的格式)。
至於各種encoding之間的轉換﹐我想也不必多說了﹐通過Encoding類的Convert,GetBytes和GetString方法是很容易進行轉換的。
