1、UltraEdit引出的字符编码问题一关于各种编码文件标记头各种编码文件开头UTF-8以EF BB BFUTF-16以FE FF(big-endian)FF FF(little-endian)UNICODE以 FF FE一各种编码对于中文：各种编码对于中文：ASCII中文 2个字节；英文：1个字节UNICODE中文 2个字节；英文：2个字节UTF-8中文 3个字节；英文：1个字节(开头有2个字节表示长度)二中国的各种编码表示ASCII中国-D6 D0 B9 FAA-61UTF-8中国-E4 E8 AD E5 9B BD 61A-61UNICODE中国-FF FE 2D 4E FD 56A-61
2、 00三关于UltraEdit的问题1.用UNICODE编辑可以看到，默认的存储是ansi。用记事本的另存为即可看到其真实的存储格式。2.UltraEdit打开utf-8会默认的用UNICODE方式来显示，我们要转化为ASCII显示，这样就能看到真实的utf编码了.在ASCII编辑模式下，会将utf-8编码当作gb2312来显示。3.关于各种转化.对于UNICODE/UTF-8转UTF-8（UNICODE编辑），我们可以看到中文字符，但是却看不到UTF-8的16进制表示，看到的都是UNICODE,因为UltraEdit会做内部转换。对于UNICODE/ASCII/UTF-8-8转UTF-8-8
3、（ASCII编辑），我们可以看到UTF-8-8的真实16进制表示，但是却看不到中文字符的正常显示。4.关于中国a中国中国（6中文1英文）倘不出问题，用ASCII转UTF-8-8（UNICODE编辑），这时在UNICODE中看到的文字的16进制编码是UNICODE格式，因为是UNICODE编辑的。但是保存却是UTF-8格式保存的。例如：中国a中国中国6中文1英文用ASCII转UTF-8-8(ASCII编辑)用UltraEdit打开选择所有文字看到的是14字节，大小却为16字节，因为多了两个字节FF FE；保存文件之后看到的却是19字节，看样子UTF-8-8的EF BB BF的标记头并没有存储哦。
4、四关于联通在记事本中的错误显示问题在一些早期的UTF-8文件中并不要求一定要用EF BB BF的标记头，而是根据UTF-8-8的数据特征来判断。所以出现了联通和联的错误显示，因为将其认为是UTF-8格式编码。其检测里面所有字符是否遵循某种规则，而不仅仅是几个。所以联想就可以被正确识别，因为想不遵循UTF-8规则，而“联通”两个字都遵循UTF-8规则.谈谈Unicode编码，简要解释UCS、UTF、BMP、BOM等名词这是一篇程序员写给程序员的趣味读物。所谓趣味是指可以比较轻松地了解一些原来不清楚的概念，增进知识，类似于打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
5、记事本的“另存为”，可以在GBK、Unicode、Unicodebigendian和UTF-8这几种编码方式间相互转换。同样是txt文件，Windows是怎样识别编码方式的呢？我很早前就发现Unicode、Unicodebigendian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（Unicodebigendian）,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-32、UTF-16和UTF-8这三种编码方式的相互转换。对于Unicode(UCS2)、 GBK、U
6、TF-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，送给有过类似疑问的朋友。本文在写作时尽量做到通俗易懂，但要求读者知道什么是字节，什么是十六进制。0、bigendian和littleendianbigendian 和littleendian是CPU处理多字节数的不同方式。例如“汉”字的Unicode编码是6C49。那么写到文件里时，究竟是将6C写在前面，还是将49写在前面？如果将6C写在前面，就是bigendian。如果将49写在前面，就是little
7、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)敲开还是从小头(Little-Endian)敲开，由此曾发生过六次叛乱，一个皇帝送了命，另一个丢了王位。我们一般将endian翻译成“字节序”，将bigendian和littleendian称作“大尾”和“小尾”。1、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
8、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。从ASCII、 GB2312到GBK，这些编码方法是向下兼容的，即同一个字符在这些方案中总是有相同的编码，后面的标准支持更多的字符。在这些编码中，英文和中文可以统一地处理。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，GB2312、GBK都属于双字节字符集(DBCS)。20
9、00 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。从汉字字汇上说，GB18030在GB13000.1的20902个汉字的基础上增加了CJK扩展A的6582个汉字（Unicode码0x3400- 0x4db5），一共收录了27484个汉字。CJK就是中日韩的意思。Unicode为了节省码位，将中日韩三国语言中的文字统一编码。GB13000.1就是ISO/IEC10646-1的中文版，相当于Unicode1.1。GB18030 的编码采用单字节、双字节和4字节方案。其中单字节、双字节和GBK是完全兼容的。4
10、字节编码的码位就是收录了CJK扩展A的6582个汉字。例如： UCS的0x3400在GB18030中的编码应该是8139EF30，UCS的0x3401在GB18030中的编码应该是8139EF31。微软提供了GB18030的升级包，但这个升级包只是提供了一套支持CJK扩展A的6582个汉字的新字体：新宋体-18030，并不改变内码。Windows的内码仍然是GBK。这里还有一些细节：GB2312的原文还是区位码，从区位码到内码，需要在高字节和低字节上分别加上A0。对于任何字符编码，编码单元的顺序是由编码方案指定的，与endian无关。例如GBK的编码单元是字节，用两个字节表示一个汉字。这两个字
11、节的顺序是固定的，不受CPU字节序的影响。UTF-16的编码单元是word（双字节），word之间的顺序是编码方案指定的，word内部的字节排列才会受到 endian的影响。后面还会介绍UTF-16。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。所以GBK和GB18030的低字节最高位都可能不是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，就可以将下两个字节作为一个双字节编码，而不用管低字节的高位是什么。2、Unicode、UCS和UTF前面提到从ASCII、GB2312、GBK到GB18030的编码方法是
12、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，可以容纳全世界所有语言文字的编码方案。Unicode的学名是UniversalMultiple -OctetCodedCharacterSet，简称为UCS。UCS可以看作是UnicodeCharacterSet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
13、织（ISO）和一个软件制造商的协会（unicode.org）。ISO开发了ISO10646项目，Unicode协会开发了Unicode项目。在1991年前后，双方都认识到世界不需要两个不兼容的字符集。于是它们开始合并双方的工作成果，并为创立一个单一编码表而协同工作。从Unicode2.0开始，Unicode项目采用了与ISO10646-1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协会现在的最新版本是2005年的Unicode4.1.0。ISO的最新标准是ISO10646-3:2003。UCS 只是规定如何编码，并没有规定如何传输、保存这个编码。例如“汉”字的
14、UCS编码是6C49，我可以用4个ascii数字来传输、保存这个编码；也可以用 utf-8编码:3个连续的字节E6B189来表示它。关键在于通信双方都要认可。UTF-8、UTF-7、UTF-16都是被广泛接受的方案。 UTF-8的一个特别的好处是它与ISO-8859-1完全兼容。UTF是“UCSTransformationFormat”的缩写。IETF 的RFC2781和RFC3629以RFC的一贯风格，清晰、明快又不失严谨地描述了UTF-16和UTF-8的编码方法。我总是记不得IETF是 InternetEngineeringTaskForce的缩写。但IETF负责维护的RFC是Intern
15、et上一切规范的基础。2.1、内码和codepage目前Windows的内核已经支持Unicode字符集，这样在内核上可以支持全世界所有的语言文字。但是由于现有的大量程序和文档都采用了某种特定语言的编码，例如GBK，Windows不可能不支持现有的编码，而全部改用Unicode。Windows使用代码页(codepage)来适应各个国家和地区。codepage可以被理解为前面提到的内码。GBK对应的codepage是CP936。微软也为GB18030定义了codepage：CP54936。但是由于GB18030有一部分4字节编码，而Windows的代码页只支持单字节和双字节编码，所以这个cod
16、epage是无法真正使用的。3、UCS-2、UCS-4、BMPUCS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。下面让我们做一些简单的数学游戏：UCS-2有216=65536个码位，UCS-4有231=2147483648个码位。UCS -4根据最高位为0的最高字节分成27=128个group。每个group再根据次高字节分为256个plane。每个plane根据第3个字节分为 256行(rows)，每行包含256个cells。当然同一行的cells只是最后一个字节不同，其余都相同。group0
17、的plane0被称作BasicMultilingualPlane,即BMP。或者说UCS-4中，高两个字节为0的码位被称作BMP。将UCS-4的BMP去掉前面的两个零字节就得到了UCS-2。在UCS-2的两个字节前加上两个零字节，就得到了UCS-4的BMP。而目前的UCS-4规范中还没有任何字符被分配在BMP之外。4、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的编码方式如下：UCS-2编码(16进制)UTF-8字节流(二进制)0000-007F0xxxxxxx0080-07FF110xxxxx10xxxxxx0800-FFFF1110xxxx10xxxxxx
18、10xxxxxx例如“汉”字的Unicode编码是6C49。6C49在0800-FFFF之间，所以肯定要用3字节模板了： 1110xxxx10xxxxxx10xxxxxx。将6C49写成二进制是：0110110001001001，用这个比特流依次代替模板中的x，得到：111001101011000110001001，即E6B189。读者可以用记事本测试一下我们的编码是否正确。需要注意，UltraEdit在打开utf-8编码的文本文件时会自动转换为UTF-16，可能产生混淆。你可以在设置中关掉这个选项。更好的工具是HexWorkshop。UTF -16以16位为单元对UCS进行编码。对于小于0x
19、10000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。不过由于实际使用的UCS2，或者UCS4的BMP必然小于0x10000，所以就目前而言，可以认为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，所以就不得不考虑字节序的问题。5、UTF的字节序和BOMUTF -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，首先要弄清楚每个编码单元的字节序。例如 “奎”的Unicode编码是594E，“乙”的Unicode编码是4
20、E59。如果我们收到UTF-16字节流“594E”，那么这是“奎”还是 “乙”？Unicode规范中推荐的标记字节顺序的方法是BOM。BOM不是“BillOfMaterial”的BOM表，而是ByteOrderMark。BOM是一个有点小聪明的想法：在UCS 编码中有一个叫做ZEROWIDTHNO-BREAKSPACE的字符，它的编码是FEFF。而FFFE在UCS中是不存在的字符，所以不应该出现在实际传输中。UCS规范建议我们在传输字节流前，先传输字符ZEROWIDTHNO-BREAKSPACE。这样如果接收者收到FEFF，就表明这个字节流是Big-Endian的；如果收到FFFE，就表明这个
21、字节流是Little-Endian的。因此字符ZEROWIDTHNO-BREAKSPACE又被称作BOM。UTF -8不需要BOM来表明字节顺序，但可以用BOM来表明编码方式。字符ZEROWIDTHNO-BREAKSPACE的UTF-8编码是 EFBBBF（读者可以用我们前面介绍的编码方法验证一下）。所以如果接收者收到以EFBBBF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。6、进一步的参考资料本文主要参考的资料是ShortoverviewofISO-IEC10646andUnicode(http:/www.nada.kth.se/i18n
22、/ucs/unicode-iso10646-oview.html)。我还找了两篇看上去不错的资料，不过因为我开始的疑问都找到了答案，所以就没有看：UnderstandingUnicodeAgeneralintroductiontotheUnicodeStandard(http:/scripts.sil.org/cms/scripts/page.php?site_id=nrsi&item_id=IWS-Chapter04a)CharactersetencodingbasicsUnderstandingcharactersetencodingsandlegacyencodings(http:/sc
23、ripts.sil.org/cms/scripts/page.php?site_id=nrsi&item_id=IWS-Chapter03)我写过UTF-8、UCS-2、GBK相互转换的软件包，包括使用WindowsAPI和不使用WindowsAPI的版本。以后有时间的话，我会整理一下放到我的个人主页上()。我是想清楚所有问题后才开始写这篇文章的，原以为一会儿就能写好。没想到考虑措辞和查证细节花费了很长时间，竟然从下午1:30写到9:00。希望有读者能从中受益。附录1再说说区位码、GB2312、内码和代码页有的朋友对文章中这句话还有疑问：“GB2312的原文还是区位码，从区位码到内码，需要在高
24、字节和低字节上分别加上A0。”我再详细解释一下：“GB2312 的原文”是指国家1980年的一个标准中华人民共和国国家标准信息交换用汉字编码字符集基本集GB2312-80。这个标准用两个数来编码汉字和中文符号。第一个数称为“区”，第二个数称为“位”。所以也称为区位码。1-9区是中文符号，16-55区是一级汉字，56-87区是二级汉字。现在 Windows也还有区位输入法，例如输入1601得到“啊”。（这个区位输入法可以自动识别16进制的GB2312和10进制的区位码，也就是说输入 B0A1同样会得到“啊”。）内码是指操作系统内部的字符编码。早期操作系统的内码是与语言相关的。现在的Windows
25、在系统内部支持Unicode，然后用代码页适应各种语言，“内码”的概念就比较模糊了。微软一般将缺省代码页指定的编码说成是内码。内码这个词汇，并没有什么官方的定义，代码页也只是微软这个公司的叫法。作为程序员，我们只要知道它们是什么东西，没有必要过多地考证这些名词。所谓代码页(codepage)就是针对一种语言文字的字符编码。例如GBK的codepage是CP936，BIG5的codepage是CP950，GB2312的codepage是CP20936。Windows中有缺省代码页的概念，即缺省用什么编码来解释字符。例如Windows的记事本打开了一个文本文件，里面的内容是字节流：BA、BA、D7
26、、D6。Windows应该去怎么解释它呢？是按照Unicode编码解释、还是按照GBK解释、还是按照BIG5解释，还是按照ISO8859-1去解释？如果按GBK去解释，就会得到“汉字”两个字。按照其它编码解释，可能找不到对应的字符，也可能找到错误的字符。所谓“错误”是指与文本作者的本意不符，这时就产生了乱码。答案是Windows按照当前的缺省代码页去解释文本文件里的字节流。缺省代码页可以通过控制面板的区域选项设置。记事本的另存为中有一项ANSI，其实就是按照缺省代码页的编码方法保存。Windows的内码是Unicode，它在技术上可以同时支持多个代码页。只要文件能说明自己使用什么编码，用户又安
27、装了对应的代码页，Windows就能正确显示，例如在HTML文件中就可以指定charset。有的HTML文件作者，特别是英文作者，认为世界上所有人都使用英文，在文件中不指定charset。如果他使用了0x80-0xff之间的字符，中文 Windows又按照缺省的GBK去解释，就会出现乱码。这时只要在这个html文件中加上指定charset的语句，例如：如果原作者使用的代码页和ISO8859-1兼容，就不会出现乱码了。再说区位码，啊的区位码是1601，写成16进制是0x10,0x01。这和计算机广泛使用的ASCII编码冲突。为了兼容00-7f的ASCII编码，我们在区位码的高、低字节上分别加上A0。这样“啊”的编码就成为B0A1。我们将加过两个A0的编码也称为GB2312编码，虽然GB2312的原文根本没提到这一点。