轉貼至：http://www.guidemarvin.com/mypool/index.php/develop/the-chaos-of-character-coding/
這是一篇程式設計師寫給程式設計師的趣味讀物。所謂趣味是指可以比較輕鬆地瞭解一些原來不清楚的概念，增進知識，類似於打RPG遊戲的升級。整理這篇文章的動機是兩個問題：

問題一：

使用Windows記事本的“另存為”，可以在GBK、Unicode、Unicode big endian和UTF-8這幾種編碼方式間相互轉換。同樣是txt檔案，Windows是怎樣識別編碼方式的呢？

我 很早前就發現Unicode、Unicode big endian和UTF-8編碼的txt檔案的開頭會多出幾 個位元組，分別是FF、FE （Unicode）,FE、FF（Unicode big endian）,EF、BB、BF（UTF-8）。但這些標記是基於什麼標準呢？

問題二：

最近在網上看到一個ConvertUTF.c，實現了UTF-32、UTF-16和UTF-8這三種編 碼方式的相互轉換。對於Unicode(UCS2)、 GBK、UTF-8這些編碼方式，我原來就瞭解。但這個程式讓我有些糊塗，想不起來UTF-16和UCS2有什麼關係。

查了查相關資料，總算將這些問題弄清楚了，順帶也瞭解了一些Unicode的細節。寫成一篇文章，送給有過類似疑問的朋友。本文在寫作時儘量做到通俗易懂，但要求讀者知道什麼是位元組，什麼是十六進位制。

0、big endian和little endian

big endian 和little endian是CPU處理多位元組數的不同方式。例如“漢”字的Unicode編碼是6C49。那麼寫到檔案裡時，究竟是將6C寫在前面， 還是將49寫在前面？如果將6C寫在前面，就是big endian。如果將49寫在前面，就是little endian。

“endian”這個詞出自《格列佛遊記》。小人國的內戰就源於吃雞蛋時是究竟從大頭(Big-Endian)敲開還是從小頭(Little-Endian)敲開，由此曾發生過六次叛亂，一個皇帝送了命，另一個丟了王位。

我們一般將endian翻譯成“位元組序”，將big endian和little endian稱作“大尾”和“小尾”。

1、字元編碼、內碼，順帶介紹漢字編碼

字元必須編碼後才能被計算機處理。計算機使用的預設編碼方式就是計算機的內碼。早期的計算機使用7位的ASCII編碼，為了處理漢字，程式設計師設計了用於簡體中文的GB2312和用於繁體中文的big5。

GB2312(1980年)一共收錄了7445個字元，包括6763個漢字和682個其它符號。漢字區的內碼範圍高位元組從B0-F7，低位元組從A1-FE，佔用的碼位是72*94=6768。其中有5個空位是D7FA-D7FE。

GB2312支援的漢字太少。1995年的漢字擴充套件規範GBK1.0收錄了21886個符號，它分為漢字區和圖形符號區。漢字區包括21003個字元。

從ASCII、 GB2312到GBK，這些編碼方法是向下相容的，即同一個字元在這些方案中總是有相同的編碼，後面的標準支援更多的字元。在這些編碼中，英文和中文可以 統一地處理。區分中文編碼的方法是高位元組的最高位不為0。按照程式設計師的稱呼，GB2312、GBK都屬於雙位元組字符集 (DBCS)。

2000 年的GB18030是取代GBK1.0的正式國家標準。該標準收錄了27484個漢字，同時還收錄了藏文、蒙文、維吾爾文等主要的少數民族文字。從漢字字 匯上說，GB18030在GB13000.1的20902個漢字的基礎上增加了CJK擴充套件A的6582個漢字（Unicode碼0×3400- 0×4db5），一共收錄了27484個漢字。

CJK就是中日韓的意思。Unicode為了節省碼位，將中日韓三國語言中的文字統一編碼。GB13000.1就是ISO/IEC 10646-1的中文版，相當於Unicode 1.1。

GB18030 的編碼採用單位元組、雙位元組和4位元組方案。其中單位元組、雙位元組和GBK是完全相容的。4位元組編碼的碼位就是收錄了CJK擴充套件A的6582個漢字。 例如： UCS的0×3400在GB18030中的編碼應該是8139EF30，UCS的0×3401在GB18030中的編碼應該是8139EF31。

微軟提供了GB18030的升級包，但這個升級包只是提供了一套支援CJK擴充套件A的6582個漢字的新字型：新宋體-18030，並不改變內碼。Windows 的內碼仍然是GBK。

這裡還有一些細節：

• GB2312的原文還是區位碼，從區位碼到內碼，需要在高位元組和低位元組上分別加上A0。
• 對於任何字元編碼，編碼單元的順序是由編碼方案指定的，與endian無關。例如GBK的編碼單元是位元組，用兩個 字 節表示一個漢字。 這兩個位元組的順序是固定的，不受CPU位元組序的影響。UTF-16的編碼單元是word（雙位元組），word之間的順序是編碼方案指定 的，word內部的位元組排列才會受到 endian的影響。後面還會介紹UTF-16。
• GB2312的兩個位元組的最高位都是1。但符合這個條件的碼位只有 128*128=16384個。所以GBK和GB18030的低位元組最高位都可能不是1。不過這不影響DBCS字元流的解析：在讀取DBCS字元流時，只 要遇到高位為1的位元組，就可以將下兩個位元組作為一個雙位元組編碼，而不用管低位元組的高位是什麼。

2、Unicode、UCS和UTF

前面提到從ASCII、GB2312、GBK到GB18030的編碼方法是向下相容的。而Unicode只與ASCII相容（更準確地說，是與ISO-8859-1相容），與GB碼不相容。例如“漢”字的Unicode編碼是6C49，而GB碼是BABA。

Unicode 也是一種字元編碼方法，不過它是由國際組織設計，可以容納全世界所有語言文字的編碼方案。Unicode的學名是”Universal Multiple -Octet Coded Character Set”，簡稱為UCS。UCS可以看作是”Unicode Character Set”的縮寫。

根據維基百科全書(http://zh.wikipedia.org/wiki/)的記載：歷史上存在兩個試圖獨立設計Unicode的組織，即國際標準化組織（ISO）和一個軟體製造商的協會（unicode.org）。ISO開發了ISO 10646專案，Unicode協會開發了Unicode專案。

在1991年前後，雙方都認識到世界不需要兩個不相容的字符集。於是它們開始合併雙方的工作成果，併為創立一個單一編碼表而協同工作。從Unicode2.0開始，Unicode專案採用了與ISO 10646-1相同的字型檔和字碼。

目前兩個專案仍都存在，並獨立地公佈各自的標準。Unicode協會現在的最新版本是2005年的Unicode 4.1.0。ISO的最新標準是ISO 10646-3:2003。

UCS 只是規定如何編碼，並沒有規定如何傳輸、儲存這個編碼。例如“漢”字的UCS編碼是6C49，我可以用4個ascii數字來傳輸、儲存這個編碼；也可以用 utf-8編碼:3個連續的位元組E6 B1 89來表示它。關鍵在於通訊雙方都要認可。UTF-8、UTF-7、UTF-16都是被廣泛接受的方案。 UTF-8的一個特別的好處是它與ISO-8859-1完全相容。UTF是“UCS Transformation Format”的縮寫。

IETF 的RFC2781和RFC3629以RFC的一貫風格，清晰、明快又不失嚴謹地描述了UTF-16和UTF-8的編碼方法。我總是記不得IETF是 Internet Engineering Task Force的縮寫。但IETF負責維護的RFC是Internet上一切規範的基礎。

2.1、內碼和code page

目前Windows的核心已經支援Unicode字符集，這樣在核心上可以支援全世界所有的語言文字。但是由於現有的大量程式和文件都採用了某種特定語言的編碼，例如GBK，Windows不可能不支援現有的編碼，而全部改用Unicode。

Windows使用內碼表(code page)來適應各個國家和地區。code page可以被理解為前面提到的內碼。GBK對應的code page是CP936。

微軟也為GB18030定義了code page：CP54936。但是由於GB18030有一部分4位元組編碼，而Windows的內碼表只支援單位元組和雙位元組編碼，所以這個code page是無法真正使用的。

3、UCS-2、UCS-4、BMP

UCS有兩種格式：UCS-2和UCS-4。顧名思義，UCS-2就是用兩個位元組編碼，UCS-4就是用4個位元組（實際上只用了31位，最高位必須為0）編碼。下面讓我們做一些簡單的數學遊戲：

UCS-2有2^16=65536個碼位，UCS-4有2^31=2147483648個碼位。

UCS -4根據最高位為0的最高位元組分成2^7=128個group。每個group再根據次高位元組分為256個plane。每個plane根據第3個位元組分為 256行 (rows)，每行包含256個cells。當然同一行的cells只是最後一個位元組不同，其餘都相同。

group 0的plane 0被稱作Basic Multilingual Plane, 即BMP。或者說UCS-4中，高兩個位元組為0的碼位被稱作BMP。

將UCS-4的BMP去掉前面的兩個零位元組就得到了UCS-2。在UCS-2的兩個位元組前加上兩個零位元組，就得到了UCS-4的BMP。而目前的UCS-4規範中還沒有任何字元被分配在BMP之外。

4、UTF編碼

UTF-8就是以8位為單元對UCS進行編碼。從UCS-2到UTF-8的編碼方式如下：

UCS-2編碼(16進位制)	UTF-8 位元組流(二進位制)
0000 - 007F	0xxxxxxx
0080 - 07FF	110xxxxx 10xxxxxx
0800 - FFFF	1110xxxx 10xxxxxx 10xxxxxx

例如“漢”字的Unicode編碼是6C49。6C49在0800-FFFF之間，所以肯定要用3位元組模板了： 1110 xxxx 10 xxxxxx 10 xxxxxx。將6C49寫成二進位制是：0110 110001 001001， 用這個位元流依次代替模板中的x，得到： 1110 0110 10 110001 10 001001，即E6 B1 89。

讀者可以用記事本測試一下我們的編碼是否正確。需要注意，UltraEdit在開啟utf-8編碼的文字檔案時會自動轉換為UTF-16，可能產生混淆。你可以在設定中關掉這個選項。更好的工具是Hex Workshop。

UTF -16以16位為單元對UCS進行編碼。對於小於0×10000的UCS碼，UTF-16編碼就等於UCS碼對應的16位無符號整數。對於不小於 0×10000的UCS碼，定義了一個演算法。不過由於實際使用的UCS2，或者UCS4的BMP必然小於0×10000，所以就目前而言，可以認為UTF -16和UCS-2基本相同。但UCS-2只是一個編碼方案，UTF-16卻要用於實際的傳輸，所以就不得不考慮位元組序的問題。

5、UTF的位元組序和BOM

UTF -8以位元組為編碼單元，沒有位元組序的問題。UTF-16以兩個位元組為編碼單元，在解釋一個UTF-16文字前，首先要弄清楚每個編碼單元的位元組序。例如 “奎”的Unicode編碼是594E，“乙”的Unicode編碼是4E59。如果我們收到UTF-16位元組流“594E”，那麼這是“奎”還是 “乙”？

Unicode規範中推薦的標記位元組順序的方法是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”的字元，它的編碼是FEFF。而FFFE在UCS中是不存在的字元，所以不應該 出現在實際傳輸中。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”。

這樣如果接收者收到FEFF，就表明這個位元組流是Big-Endian的；如果收到FFFE，就表明這個位元組流是Little-Endian的。因此字元”ZERO WIDTH NO-BREAK SPACE”又被稱作BOM。

UTF -8不需要BOM來表明位元組順序，但可以用BOM來表明編碼方式。字元”ZERO WIDTH NO-BREAK SPACE”的UTF-8編碼是 EF BB BF（讀者可以用我們前面介紹的編碼方法驗證一下）。所以如果接收者收到以EF BB BF開頭的位元組流，就知道這是UTF-8編碼了。

Windows就是使用BOM來標記文字檔案的編碼方式的。

6、進一步的參考資料

我還找了兩篇看上去不錯的資料，不過因為我開始的疑問都找到了答案，所以就沒有看：

1. “Character set encoding basics Understanding character set encodings and legacy encodings” (http://scripts.sil.org/cms/scrip … WS-Chapter03)

我寫過UTF-8、UCS-2、GBK相互轉換的軟體包，包括使用Windows API和不使用Windows API的版本。以後有時間的話，我會整理一下放到我的個人主頁上(http://fmddlmyy.home4u.china.com)。

我是想清楚所有問題後才開始寫這篇文章的，原以為一會兒就能寫好。沒想到考慮措辭和查證細節花費了很長時間，竟然從下午1:30寫到9:00。希望有讀者能從中受益。

附錄1 再說說區位碼、GB2312、內碼和內碼表

有的朋友對文章中這句話還有疑問：
“GB2312的原文還是區位碼，從區位碼到內碼，需要在高位元組和低位元組上分別加上A0。”

我再詳細解釋一下：

“GB2312 的原文”是指國家1980年的一個標準《中華人民共和國國家標準 資訊交換用漢字編碼字符集 基本集 GB 2312-80》。這個標準用兩個數來編碼漢 字和中文符號。第一個數稱為“區”，第二個數稱為“位”。所以也稱為區位碼。1-9區是中文符號，16-55區是一級漢字，56-87區是二級漢字。現在 Windows也還有區位輸入法，例如輸入1601得到“啊”。（這個區位輸入法可以自動識別16進位制的GB2312和10進位制的區位碼，也就是說輸入 B0A1同樣會得到“啊”。）

內碼是指作業系統內部的字元編碼。早期作業系統的內碼是與語言相關的。現在的Windows在系統內部支援Unicode，然後用內碼表適應各種語言，“內碼”的概念就比較模糊了。微軟一般將預設內碼表指定的編碼說成是內碼。

內碼這個詞彙，並沒有什麼官方的定義，內碼表也只是微軟這個公司的叫法。作為程式設計師，我們只要知道它們是什麼東西，沒有必要過多地考證這些名詞。

所謂內碼表(code page)就是針對一種語言文字的字元編碼。例如GBK的code page是CP936，BIG5的code page是CP950，GB2312的code page是CP20936。

Windows中有預設內碼表的概念，即預設用什麼編碼來解釋字元。例如Windows的記事本打開了一個文字檔案，裡面的內容是位元組流：BA、BA、D7、D6。Windows應該去怎麼解釋它呢？

是按照Unicode編碼解釋、還是按照GBK解釋、還是按照BIG5解釋，還是按照ISO8859-1去解釋？如 果按GBK去解釋，就會得到“漢字”兩個字。按照其它編碼解釋，可能找不到對應的字元，也可能找到錯誤的字元。所謂“錯誤”是指與文字作者的本意不符，這 時就產生了亂碼。

答案是Windows按照當前的預設內碼表去解釋文字檔案裡的位元組流。預設內碼表可以通過控制面板的區域選項設定。記事本的另存為中有一項ANSI，其實就是按照預設內碼表的編碼方法儲存。

Windows的內碼是Unicode，它在技術上可以同時支援多個內碼表。只要檔案能說明自己使用什麼編碼，使用者又安裝了對應的內碼表，Windows就能正確顯示，例如在HTML檔案中就可以指定charset。

有的HTML檔案作者，特別是英文作者，認為世界上所有人都使用英文，在檔案中不指定charset。如果他使用了 0×80-0xff之間的字元，中文 Windows又按照預設的GBK去解釋，就會出現亂碼。這時只要在這個html檔案中加上指定charset的語句，例如：

如果原作者使用的內碼表和ISO8859-1相容，就不會出現亂碼了。

再說區位碼，啊的區位碼是1601，寫成16進位制是0×10,0×01。這和計算機廣泛使用的ASCII編碼衝突。 為了相容00-7f的ASCII編碼，我們在區位碼的高、低位元組上分別加上A0。這樣“啊”的編碼就成為B0A1。我們將加過兩個A0的編碼也稱為 GB2312編碼，雖然GB2312的原文根本沒提到這一點。