字符編碼總結

編碼簡介

常見的一些字符編碼方式無非有：Unicode、ASCII、GBK、GB2312、UTF-8。下面先對常見的這一些字符編碼方式作下說明：

1.ASCII碼

這是美國在19世紀60年代的時候爲了建立英文字符和二進制的關係時制定的編碼規範，它能表示128個字符，其中包括英文字符、阿拉伯數字、西文字符以及32個控制字符。它用一個字節來表示具體的字符，但它只用後7位來表示字符（2^7=128），最前面的一位統一規定爲0。

2.擴展的ASCII碼

原本的ASCII碼對於英文語言的國家是夠用了，但是歐洲國家的一些語言會有拼音，這時7個字節就不夠用了。因此一些歐洲國家就決定，利用字節中閒置的最高位編入新的符號。比如，法語中的é的編碼爲130（二進制10000010）。這樣一來，這些歐洲國家使 用的編碼體系，可以表示最多256個符號。但這時問題也出現了：不同的國家有不同的字母，因此，哪怕它們都使用256個符號的編碼方式，代表的字母卻不一樣。比如，130在法語編碼 中代表了é，在希伯來語編碼中卻代表了字母Gimel (ג)，在俄語編碼中又會代表另一個符號。但是不管怎樣，所有這些編碼方式中，0—127表示的符號是一樣的，不一樣的只是128—255的這一段。這個問題就直接促使了Unicode編碼的產生。

3.Unicode符號集

正如上一節所說，世界上存在着多種編碼方式，同一個二進制數字可以被解釋成不同的符號。因此，要想打開一個文本文件，就必須知道它的編碼方式，否則用錯誤的編碼方式解讀，就會出現亂碼。爲什麼電子郵件常常出現亂碼？就是因爲發信人和收信人使用的編碼方式不一樣。而Unicode就是這樣一種編碼：它包含了世界上所有的符號，並且每一個符號都是獨一無二的。比如，U+0639表示阿拉伯字母Ain，U+0041表示英語的大寫字母A，U+4E25表示漢字“嚴”。具體的符號對應表，可以查詢unicode.org，或者專門的漢字對應表 。很多人都說Unicode編碼，但其實Unicode是一個符號集（世界上所有符號的符號集），而不是一種新的編碼方式。

但是正因爲Unicode包含了所有的字符，而有些國家的字符用一個字節便可以表示，而有些國家的字符要用多個字節才能表示出來。即產生了兩個問題：第一，如果有兩個字節的數據，那計算機怎麼知道這兩個字節是表示一個漢字呢？還是表示兩個英文字母呢？第二，因爲不同字符需要的存儲長度不一樣，那麼如果Unicode規定用2個字節存儲字符，那麼英文字符存儲時前面1個字節都是0，這就大大浪費了存儲空間。

上面兩個問題造成的結果是：1）出現了unicode的多種存儲方式，也就是說有許多種不同的二進制格式，可以用來表示unicode。2）unicode在很長一段時間內無法推廣，直到互聯網的出現。

4.UTF-8

互聯網的普及，強烈要求出現一種統一的編碼方式。UTF-8就是在互聯網上使用最廣的一種unicode的實現方式。其他實現方式還包括UTF-16和UTF-32，不過在互聯網上基本不用。重複一遍，這裏的關係是，UTF-8是Unicode的實現方式之一。

UTF-8最大的一個特點，就是它是一種變長的編碼方式。它可以使用1~4個字節表示一個符號，根據不同的符號而變化字節長度。

UTF-8的編碼規則很簡單，只有兩條：

1）對於單字節的符號，字節的第一位設爲0，後面7位爲這個符號的unicode碼。因此對於英語字母，UTF-8編碼和ASCII碼是相同的。

2）對於n字節的符號（n>1），第一個字節的前n位都設爲1，第n+1位設爲0，後面字節的前兩位一律設爲10。剩下的沒有提及的二進制位，全部爲這個符號的unicode碼。

5.GBK/GB2312/GB18030

GBK和GB2312都是針對簡體字的編碼，只是GB2312只支持六千多個漢字的編碼，而GBK支持1萬多個漢字編碼。而GB18030是用於繁體字的編碼。漢字存儲時都使用兩個字節來儲存。

總的來說：

ASCII編碼：用來表示英文，它使用1個字節表示，其中第一位規定爲0，其他7位存儲數據，一共可以表示128個字符。

拓展ASCII編碼：用於表示更多的歐洲文字，用8個位存儲數據，一共可以表示256個字符

GBK/GB2312/GB18030：表示漢字。GBK/GB2312表示簡體中文，GB18030表示繁體中文。

Unicode編碼：包含世界上所有的字符，是一個字符集。

UTF-8：是Unicode字符的實現方式之一，它使用1-4個字符表示一個符號，根據不同的符號而變化字節長度。

*如果你想了解更多關於編碼的信息，推薦閱讀：字符編碼方式 （空閒時請再繼續研讀一下這篇文章）

*相關閱讀：判定文件編碼或文本流編碼的方式（Java實現）

常見編碼的具體介紹

1. ASCII碼

我們知道，在計算機內部，所有的信息最終都表示爲一個二進制的字符串。每一個二進制位（bit）有0和1兩種狀態，因此八個二進制位就可以組合出256種狀態，這被稱爲一個字節（byte）。也就是說，一個字節一共可以用來表示256種不同的狀態，每一個狀態對應一個符號，就是256個符號，從0000000到11111111。

上個世紀60年代，美國製定了一套字符編碼，對英語字符與二進制位之間的關係，做了統一規定。這被稱爲ASCII碼，一直沿用至今。

ASCII碼一共規定了128個字符的編碼，比如空格"SPACE"是32（二進制00100000），大寫的字母A是65（二進制01000001）。這128個符號（包括32個不能打印出來的控制符號），只佔用了一個字節的後面7位，最前面的1位統一規定爲0。

2、非ASCII編碼

英語用128個符號編碼就夠了，但是用來表示其他語言，128個符號是不夠的。比如，在法語中，字母上方有注音符號，它就無法用ASCII碼錶示。於是，一些歐洲國家就決定，利用字節中閒置的最高位編入新的符號。比如，法語中的é的編碼爲130（二進制10000010）。這樣一來，這些歐洲國家使用的編碼體系，可以表示最多256個符號。

但是，這裏又出現了新的問題。不同的國家有不同的字母，因此，哪怕它們都使用256個符號的編碼方式，代表的字母卻不一樣。比如，130在法語編碼中代表了é，在希伯來語編碼中卻代表了字母Gimel (ג)，在俄語編碼中又會代表另一個符號。但是不管怎樣，所有這些編碼方式中，0--127表示的符號是一樣的，不一樣的只是128--255的這一段。

至於亞洲國家的文字，使用的符號就更多了，漢字就多達10萬左右。一個字節只能表示256種符號，肯定是不夠的，就必須使用多個字節表達一個符號。比如，簡體中文常見的編碼方式是GB2312，使用兩個字節表示一個漢字，所以理論上最多可以表示256x256=65536個符號。

中文編碼的問題需要專文討論，這篇筆記不涉及。這裏只指出，雖然都是用多個字節表示一個符號，但是GB類的漢字編碼與後文的Unicode和UTF-8是毫無關係的。

3.Unicode

正如上一節所說，世界上存在着多種編碼方式，同一個二進制數字可以被解釋成不同的符號。因此，要想打開一個文本文件，就必須知道它的編碼方式，否則用錯誤的編碼方式解讀，就會出現亂碼。爲什麼電子郵件常常出現亂碼？就是因爲發信人和收信人使用的編碼方式不一樣。

可以想象，如果有一種編碼，將世界上所有的符號都納入其中。每一個符號都給予一個獨一無二的編碼，那麼亂碼問題就會消失。這就是Unicode，就像它的名字都表示的，這是一種所有符號的編碼。

Unicode當然是一個很大的集合，現在的規模可以容納100多萬個符號。每個符號的編碼都不一樣，比如，U+0639表示阿拉伯字母Ain，U+0041表示英語的大寫字母A，U+4E25表示漢字"嚴"。具體的符號對應表，可以查詢unicode.org，或者專門的漢字對應表。

4. Unicode的問題

需要注意的是，Unicode只是一個符號集，它只規定了符號的二進制代碼，卻沒有規定這個二進制代碼應該如何存儲。

比如，漢字"嚴"的unicode是十六進制數4E25，轉換成二進制數足足有15位（100111000100101），也就是說這個符號的表示至少需要2個字節。表示其他更大的符號，可能需要3個字節或者4個字節，甚至更多。

這裏就有兩個嚴重的問題，第一個問題是，如何才能區別Unicode和ASCII？計算機怎麼知道三個字節表示一個符號，而不是分別表示三個符號呢？第二個問題是，我們已經知道，英文字母只用一個字節表示就夠了，如果Unicode統一規定，每個符號用三個或四個字節表示，那麼每個英文字母前都必然有二到三個字節是0，這對於存儲來說是極大的浪費，文本文件的大小會因此大出二三倍，這是無法接受的。

它們造成的結果是：1）出現了Unicode的多種存儲方式，也就是說有許多種不同的二進制格式，可以用來表示Unicode。2）Unicode在很長一段時間內無法推廣，直到互聯網的出現。

5.UTF-8

互聯網的普及，強烈要求出現一種統一的編碼方式。UTF-8就是在互聯網上使用最廣的一種Unicode的實現方式。其他實現方式還包括UTF-16（字符用兩個字節或四個字節表示）和UTF-32（字符用四個字節表示），不過在互聯網上基本不用。重複一遍，這裏的關係是，UTF-8是Unicode的實現方式之一。

UTF-8最大的一個特點，就是它是一種變長的編碼方式。它可以使用1~4個字節表示一個符號，根據不同的符號而變化字節長度。

UTF-8的編碼規則很簡單，只有二條：

1）對於單字節的符號，字節的第一位設爲0，後面7位爲這個符號的unicode碼。因此對於英語字母，UTF-8編碼和ASCII碼是相同的。

2）對於n字節的符號（n>1），第一個字節的前n位都設爲1，第n+1位設爲0，後面字節的前兩位一律設爲10。剩下的沒有提及的二進制位，全部爲這個符號的unicode碼。

下表總結了編碼規則，字母x表示可用編碼的位。

Unicode符號範圍 | UTF-8編碼方式
(十六進制) | （二進制）
--------------------+---------------------------------------------
0000 0000-0000 007F | 0xxxxxxx
0000 0080-0000 07FF | 110xxxxx 10xxxxxx
0000 0800-0000 FFFF | 1110xxxx 10xxxxxx 10xxxxxx
0001 0000-0010 FFFF | 11110xxx 10xxxxxx 10xxxxxx 10xxxxxx

跟據上表，解讀UTF-8編碼非常簡單。如果一個字節的第一位是0，則這個字節單獨就是一個字符；如果第一位是1，則連續有多少個1，就表示當前字符佔用多少個字節。

下面，還是以漢字"嚴"爲例，演示如何實現UTF-8編碼。

已知"嚴"的unicode是4E25（100111000100101），根據上表，可以發現4E25處在第三行的範圍內（0000 0800-0000 FFFF），因此"嚴"的UTF-8編碼需要三個字節，即格式是"1110xxxx 10xxxxxx 10xxxxxx"。然後，從"嚴"的最後一個二進制位開始，依次從後向前填入格式中的x，多出的位補0。這樣就得到了，"嚴"的UTF-8編碼是"11100100 10111000 10100101"，轉換成十六進制就是E4B8A5。

6. Unicode與UTF-8之間的轉換

通過上一節的例子，可以看到"嚴"的Unicode碼是4E25，UTF-8編碼是E4B8A5，兩者是不一樣的。它們之間的轉換可以通過程序實現。

在Windows平臺下，有一個最簡單的轉化方法，就是使用內置的記事本小程序Notepad.exe。打開文件後，點擊"文件"菜單中的"另存爲"命令，會跳出一個對話框，在最底部有一個"編碼"的下拉條。

裏面有四個選項：ANSI，Unicode，Unicode big endian 和 UTF-8。

1）ANSI是默認的編碼方式。對於英文文件是ASCII編碼，對於簡體中文文件是GB2312編碼（只針對Windows簡體中文版，如果是繁體中文版會採用Big5碼）。

2）Unicode編碼指的是UCS-2編碼方式，即直接用兩個字節存入字符的Unicode碼。這個選項用的little endian格式。

3）Unicode big endian編碼與上一個選項相對應。我在下一節會解釋little endian和big endian的涵義。

4）UTF-8編碼，也就是上一節談到的編碼方法。

選擇完"編碼方式"後，點擊"保存"按鈕，文件的編碼方式就立刻轉換好了。

7. Little endian和Big endian

上一節已經提到，Unicode碼可以採用UCS-2格式直接存儲。以漢字"嚴"爲例，Unicode碼是4E25，需要用兩個字節存儲，一個字節是4E，另一個字節是25。存儲的時候，4E在前，25在後，就是Big endian方式；25在前，4E在後，就是Little endian方式。

這兩個古怪的名稱來自英國作家斯威夫特的《格列佛遊記》。在該書中，小人國裏爆發了內戰，戰爭起因是人們爭論，吃雞蛋時究竟是從大頭(Big-Endian)敲開還是從小頭(Little-Endian)敲開。爲了這件事情，前後爆發了六次戰爭，一個皇帝送了命，另一個皇帝丟了王位。

因此，第一個字節在前，就是"大頭方式"（Big endian），第二個字節在前就是"小頭方式"（Little endian）。

那麼很自然的，就會出現一個問題：計算機怎麼知道某一個文件到底採用哪一種方式編碼？

Unicode規範中定義，每一個文件的最前面分別加入一個表示編碼順序的字符，這個字符的名字叫做"零寬度非換行空格"（ZERO WIDTH NO-BREAK SPACE），用FEFF表示。這正好是兩個字節，而且FF比FE大1。

如果一個文本文件的頭兩個字節是FE FF，就表示該文件採用大頭方式；如果頭兩個字節是FF FE，就表示該文件採用小頭方式。

8. 實例

下面，舉一個實例。

打開"記事本"程序Notepad.exe，新建一個文本文件，內容就是一個"嚴"字，依次採用ANSI，Unicode，Unicode big endian 和 UTF-8編碼方式保存。

然後，用文本編輯軟件UltraEdit中的"十六進制功能"，觀察該文件的內部編碼方式。

1）ANSI：文件的編碼就是兩個字節"D1 CF"，這正是"嚴"的GB2312編碼，這也暗示GB2312是採用大頭方式存儲的。

2）Unicode：編碼是四個字節"FF FE 25 4E"，其中"FF FE"表明是小頭方式存儲，真正的編碼是4E25。

3）Unicode big endian：編碼是四個字節"FE FF 4E 25"，其中"FE FF"表明是大頭方式存儲。

4）UTF-8：編碼是六個字節"EF BB BF E4 B8 A5"，前三個字節"EF BB BF"表示這是UTF-8編碼，後三個"E4B8A5"就是"嚴"的具體編碼，它的存儲順序與編碼順序是一致的。

9. 延伸閱讀

* The Absolute Minimum Every Software Developer Absolutely, Positively Must Know About Unicode and Character Sets（關於字符集的最基本知識）

* 談談Unicode編碼

* RFC3629：UTF-8, a transformation format of ISO 10646（如果實現UTF-8的規定）

判斷文件編碼

在程序中，文本文件經常用來存儲標準的ASCII碼文本，比如英文、加減乘除等號這些運算符號。文本文件也可能用於存儲一些其他非ASCII字符，如基於GBK的簡體中文，基於GIG5的繁體中文等等。在存儲這些字符時需要正確指定文件的編碼格式；而在讀取這些文本文件時，有時候就需要自動判定文件的編碼格式。 

  按照給定的字符集存儲文本文件時，在文件的最開頭的三個字節中就有可能存儲着編碼信息，所以，基本的原理就是隻要讀出文件前三個字節，判定這些字節的值，就可以得知其編碼的格式。其實，如果項目運行的平臺就是中文操作系統，如果這些文本文件在項目內產生，即開發人員可以控制文本的編碼格式，只要判定兩種常見的編碼就可以了：GBK和UTF-8。由於中文Windows默認的編碼是GBK，所以一般只要判定UTF-8編碼格式。 

  對於UTF-8編碼格式的文本文件，其前3個字節的值就是-17、-69、-65，所以，判定是否是UTF-8編碼格式的代碼片段如下： 
 

java.io.File f=new java.io.File("待判定的文本文件名");
try{
  java.io.InputStream ios=new java.io.FileInputStream(f);
  byte[] b=new byte[3];
  ios.read(b);
  ios.close();
  if(b[0]==-17&&b[1]==-69&&b[2]==-65)
     System.out.println(f.getName()+"編碼爲UTF-8");
  else System.out.println(f.getName()+"可能是GBK");
}catch(Exception e){
   e.printStackTrace();
}

上述代碼只是簡單判定了是否是UTF-8格式編碼的文本文件，如果項目對要判定的文本文件編碼不可控（比如用戶上傳的一些HTML、XML等文本），可以採用一個現成的開源項目：cpdetector，它所在的網址是：http://cpdetector.sourceforge.net/。它的類庫很小，只有500K左右，利用該類庫判定文本文件的代碼如下： 

/*------------------------------------------------------------------------
  detector是探測器，它把探測任務交給具體的探測實現類的實例完成。
  cpDetector內置了一些常用的探測實現類，這些探測實現類的實例可以通過add方法
  加進來，如ParsingDetector、 JChardetFacade、ASCIIDetector、UnicodeDetector。
  detector按照“誰最先返回非空的探測結果，就以該結果爲準”的原則返回探測到的
  字符集編碼。
--------------------------------------------------------------------------*/
cpdetector.io.CodepageDetectorProxy detector =
cpdetector.io.CodepageDetectorProxy.getInstance();
/*-------------------------------------------------------------------------
  ParsingDetector可用於檢查HTML、XML等文件或字符流的編碼,構造方法中的參數用於
  指示是否顯示探測過程的詳細信息，爲false不顯示。
---------------------------------------------------------------------------*/
detector.add(new cpdetector.io.ParsingDetector(false));
/*--------------------------------------------------------------------------
  JChardetFacade封裝了由Mozilla組織提供的JChardet，它可以完成大多數文件的編碼
  測定。所以，一般有了這個探測器就可滿足大多數項目的要求，如果你還不放心，可以
  再多加幾個探測器，比如下面的ASCIIDetector、UnicodeDetector等。
 ---------------------------------------------------------------------------*/
detector.add(cpdetector.io.JChardetFacade.getInstance());
//ASCIIDetector用於ASCII編碼測定
detector.add(cpdetector.io.ASCIIDetector.getInstance());
//UnicodeDetector用於Unicode家族編碼的測定
detector.add(cpdetector.io.UnicodeDetector.getInstance());
java.nio.charset.Charset charset = null;
File f=new File("待測的文本文件名");
try {
      charset = detector.detectCodepage(f.toURL());
} catch (Exception ex) {ex.printStackTrace();}
if(charset!=null){
     System.out.println(f.getName()+"編碼是："+charset.name());
}else
    System.out.println(f.getName()+"未知");

上面代碼中的detector不僅可以用於探測文件的編碼，也可以探測任意輸入的文本流的編碼，方法是調用其重載形式： 

charset=detector.detectCodepage(待測的文本輸入流,測量該流所需的讀入字節數);

上面的字節數由程序員指定，字節數越多，判定越準確，當然時間也花得越長。要注意，字節數的指定不能超過文本流的最大長度。 

  判定文件編碼的具體應用舉例： 
  屬性文件(.properties)是Java程序中的常用文本存儲方式，象STRUTS框架就是利用屬性文件存儲程序中的字符串資源。它的內容如下所示： 
 

#註釋語句
屬性名=屬性值

  讀入屬性文件的一般方法是： 
 

FileInputStream ios=new FileInputStream("屬性文件名");
Properties prop=new Properties();
prop.load(ios);
ios.close();

  利用java.io.Properties的load方法讀入屬性文件雖然方便，但如果屬性文件中有中文，在讀入之後就會發現出現亂碼現象。發生這個原因是load方法使用字節流讀入文本，在讀入後需要將字節流編碼成爲字符串，而它使用的編碼是“iso-8859-1”,這個字符集是ASCII碼字符集，不支持中文編碼，所以這時需要使用顯式的轉碼: 

String value=prop.getProperty("屬性名");
String encValue=new String(value.getBytes("iso-8859-1"),"屬性文件的實際編碼");

  在上面的代碼中，屬性文件的實際編碼就可以利用上面的方法獲得。當然，象這種屬性文件是項目內部的，我們可以控制屬性文件的編碼格式，比如約定採用Windows內定的GBK，就直接利用"gbk"來轉碼，如果約定採用UTF-8，也可以是使用"UTF-8"直接轉碼。如果想靈活一些，做到自動探測編碼，就可利用上面介紹的方法測定屬性文件的編碼，從而方便開發人員的工作。