各種編碼方式的區別
ASCII
ASCII碼是7位編碼,編碼範圍是0x00-0x7F。ASCII字符集包括英文字母、阿拉伯數字和標點符號等字元。其中0x00-0x20和0x7F共33個控制字元。
只支援ASCII碼的系統會忽略每個位元組的最高位,只認為低7位是有效位。HZ字元編碼就是早期為了在只支援7位ASCII系統中傳輸中文而設計的編碼。早期很多郵件系統也只支援ASCII編碼,為了傳輸中文郵件必須使用BASE64或者其他編碼方式。
GB2312
GB2312是基於區位碼設計的,區位碼把編碼表分為94個區,每個區對應94個位,每個字元的區號和位號組合起來就是該漢字的區位碼。區位碼一般 用10進位制數來表示,如1601就表示16區1位,對應的字元是“啊”。在區位碼的區號和位號上分別加上0xA0就得到了GB2312編碼。
區位碼中01-09區是符號、數字區,16-87區是漢字區,10-15和88-94是未定義的空白區。它將收錄的漢字分成兩級:第一級是常用漢字 計3755個,置於16-55區,按漢語拼音字母/筆形順序排列;第二級漢字是次常用漢字計3008個,置於56-87區,按部首/筆畫順序排列。一級漢 字是按照拼音排序的,這個就可以得到某個拼音在一級漢字區位中的範圍,很多根據漢字可以得到拼音的程式就是根據這個原理編寫的。
GB2312字符集中除常用簡體漢字字元外還包括希臘字母、日文平假名及片假名字母、俄語西裡爾字母等字元,未收錄繁體中文漢字和一些生僻字。可以用繁體漢字測試某些系統是不是隻支援GB2312編碼。
GB2312的編碼範圍是0xA1A1-0xFEFE,去掉未定義的區域之後可以理解為實際編碼範圍是0xA1A1-0xF7FE。
EUC-CN可以理解為GB2312的別名,和GB2312完全相同。
區位碼更應該認為是字符集的定義,定義了所收錄的字元和字元位置,而GB2312及EUC-CN是實際計算機環境中支援這 種字符集的編碼。HZ和ISO-2022-CN是對應區位碼字符集的另外兩種編碼,都是用7位編碼空間來支援漢字。區位碼和GB2312編碼的關係有點像 Unicode和UTF-8。
GBK
GBK編碼是GB2312編碼的超集,向下完全相容GB2312,同時GBK收錄了Unicode基本多文種平面中的所有CJK漢字。同 GB2312一樣,GBK也支援希臘字母、日文假名字母、俄語字母等字元,但不支援韓語中的表音字元(非漢字字元)。GBK還收錄了GB2312不包含的 漢字部首符號、豎排標點符號等字元。
GBK的整體編碼範圍是為0x8140-0xFEFE,不包括低位元組是0×7F的組合。高位元組範圍是0×81-0xFE,低位元組範圍是0x40-7E和0x80-0xFE。
低位元組是0x40-0x7E的GBK字元有一定特殊性,因為這些字元佔用了ASCII碼的位置,這樣會給一些系統帶來麻煩。
有些系統中用0x40-0x7E中的字元(如“|”)做特殊符號,在定位這些符號時又沒有判斷這些符號是不是屬於某個 GBK字元的低位元組,這樣就會造成錯誤判斷。在支援GB2312的環境下就不存在這個問題。需要注意的是支援GBK的環境中小於0x80的某個位元組未必就 是ASCII符號;另外就是最好選用小於0×40的ASCII符號做一些特殊符號,這樣就可以快速定位,且不用擔心是某個漢字的另一半。Big5編碼中也存在相應問題。
CP936和GBK的有些許差別,絕大多數情況下可以把CP936當作GBK的別名。
GB18030
GB18030編碼向下相容GBK和GB2312,相容的含義是不僅字元相容,而且相同字元的編碼也相同。GB18030收錄了所有Unicode3.1中的字元,包括中國少數民族字元,GBK不支援的韓文字元等等,也可以說是世界大多民族的文字元號都被收錄在內。
GBK和GB2312都是雙位元組等寬編碼,如果算上和ASCII相容所支援的單位元組,也可以理解為是單位元組和雙位元組混合的變長編碼。GB18030編碼是變長編碼,有單位元組、雙位元組和四位元組三種方式。
GB18030的單位元組編碼範圍是0x00-0x7F,完全等同與ASCII;雙位元組編碼的範圍和GBK相同,高位元組是0x81-0xFE,低位元組 的編碼範圍是0x40-0x7E和0x80-FE;四位元組編碼中第一、三位元組的編碼範圍是0x81-0xFE,二、四位元組是0x30-0x39。
Windows中CP936內碼表使用0x80來表示歐元符號,而在GB18030編碼中沒有使用0x80編碼位,用其他位置來表示歐元符號。這可以理解為是GB18030向下相容性上的一點小問題;也可以理解為0x80是CP936對GBK的擴充套件,而GB18030只是和GBK相容良好。
BIG5
Big5是雙位元組編碼,高位元組編碼範圍是0x81-0xFE,低位元組編碼範圍是0x40-0x7E和0xA1-0xFE。和GBK相比,少了低位元組是0x80-0xA0的組合。0x8140-0xA0FE是保留區域,用於使用者造字區。
Big5收錄的漢字只包括繁體漢字,不包括簡體漢字,一些生僻的漢字也沒有收錄。GBK收錄的日文假名字元、俄文字元Big5也沒有收錄。因為Big5當中收錄的字元有限,因此有很多在Big5基礎上擴充套件的編碼,如倚天中文系統。Windows系統上使用的內碼表CP950也可以理解為是對Big5的擴充套件,在Big5的基礎上增加了7個漢字和一些符號。Big5編碼對應的字符集是GBK字符集的子集,也就是說Big5收錄的字元是GBK收錄字元的一部分,但相同字元的編碼不同。
因為Big5也佔用了ASCII的編碼空間(低位元組所使用的0x40-0x7E),所以Big5編碼在一些環境下存在和GBK編碼相同的問題,即低位元組範圍為0x40-0x7E的字元有可能會被誤處理,尤其是低位元組是0x5C("/")和0x7C("|")的字元。可以參考GBK一節相應說明。
ISO-8859-1
ISO-8859-1編碼是單位元組編碼,向下相容ASCII,其編碼範圍是0x00-0xFF,0x00-0x7F之間完全和ASCII一致,0x80-0x9F之間是控制字元,0xA0-0xFF之間是文字元號。
UCS-2和UTF-16
Unicode組織和ISO組織都試圖定義一個超大字符集,目的是要涵蓋所有語言使用的字元以及其他學科使用的一些特殊符號,這個字符集就是通用字符集(UCS,Universal Character Set)。這兩個組織經過協調,雖然在各自發展,但定義的字元位置是完全一致的。ISO相應的標準是ISO 10646。Unicode和ISO 10646都在不斷的發展過程中,所以會有不同的版本號來標明不同的發展階段,每個Unicode版本號都能找到相對應的ISO 10646版本號。
ISO 10646標準定義了一個31位的字符集。前兩個位元組的位置(0x0000-0xFFFD)被稱為基本多語言面(Basic Multilingual Plane, BMP) ,超出兩個位元組的範圍稱作輔助語言面。BMP基本包括了所有語言中絕大多數字符,所以只要支援BMP就可以支援絕大多數場合下的應用。Unicode 3.0對應的字符集在BMP範圍內。
UCS字符集為每個字元分配了一個位置,通常用“U”再加上某個字元在UCS中位置的16進位制數作為這個字元的UCS表示,例如“U+0041”表示字元“A”。UCS字元U+0000到U+00FF與ISO-8859-1完全一致。
UCS-2、UTF-16是UCS字符集(或者說是Unicode字符集)實際應用中的具體編碼方式。UCS-2是兩個位元組的等寬編碼,因為只是使用了兩個位元組的編碼空間,所以只能對BMP中的字元做編碼。UTF-16是變長編碼,用兩個位元組對BMP內的字元編碼,用4個位元組對超出BMP範圍的輔助平面內的字元作編碼。
UCS-2不同於GBK和Big5,它是真正的等寬編碼,每個字元都使用兩個位元組,這個特性在字串截斷和字元數計算時非常方便。
UTF-16是UCS-2的超集,UTF-16編碼的兩位元組編碼方式完全和UCS-2相同,也就是說在BMP的框架內UCS-2完全等同與UTF-16。實際情況當中常常把UCS-16當作UCS-2的別名。
UCS-2和UTF-16在儲存和傳輸時會使用兩種不同的位元組序,分別是big endian和little endian(大尾和小尾)。例如“啊”(U+554A)用big endian表示就是0x554A,用little endian表示就是0x4A55。UCS-2和UTF-16預設的位元組序是big endian方式。在傳輸過程中為了說明位元組序需要在位元組流前加上BOM(Byte order Mark),0xFEFF表示是big endian,0xFFFE表示是little endian。UCS-2BE、UCS-2LE是實際應用中使用的編碼名稱,對應著big endian和little endian,UTF-16BE、UTF-16LE也是如此。因為預設是BE位元組序,所以可以把UCS-2當做是UCS-2BE的別名。
在UCS編碼中有一個叫做“ZERO WIDTH NO-BREAK SPACE”的字元,它的編碼是U+FEFF,是個沒有實際意義的字元。UCS規範建議我們在傳輸位元組流前,先傳輸字元“ZERO WIDTH NO-BREAK SPACE”,如果傳輸的ZERO WIDTH NO-BREAK SPACE是0xFEFF就說明是big endian,反之就是little endian。
UCS-2和UTF-16也可以理解為和ASCII以及ISO-8859-1相容,在ASCII編碼或者ISO-8859-1編碼的每個位元組前加上0x00,就得到相應字元的UCS-2編碼。
UCS-2和UTF-16中會使用0x00作為某個字元編碼的一部分,某些系統會把0x00當作字串結束的標誌,在處理UCS-2或UTF-16編碼時會出現問題。
UTF-8
UTF-8是UCS字符集的另一種編碼方式,UTF-16的每個單元是兩個位元組(16位),而UTF-8的每個單元是一個位元組(8位)。UTF-16中用一個或兩個雙位元組表示一個字元,UTF-8中用一個或幾個單位元組表示一個字元。
可以認為UTF-8編碼是根據一定規律從UCS-2轉換得到的,從UCS-2到UTF-8之間有以下轉換關係:
UCS-2 UTF-8
U+0000 - U+007F 0xxxxxxx
U+0080 - U+07FF 110xxxxx 10xxxxxx
U+0800 - U+FFFF 1110xxxx 10xxxxxx 10xxxxxx