1、UltraEdit 引出的字符编码问题.txt 曾经拥有的不要忘记；不能得到的更要珍惜；属于自己的不要放弃；已经失去的留作回忆。UltraEdit 引出的字符编码问题(2007-05-24 16:26:25)转载 最近用 ultraedit 编辑 python 文件，遇到 web 显示中文乱码的问题，后来搜索终于找到了解决办法，感谢 wewe80 提供的资料，转贴如下：UltraEdit 的问题及其编码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 F
2、E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 FA A-61UTF-8 中国-E4 E8 AD E5 9B BD 61 A-61UNICODE 中国-FF FE 2D 4E FD 56 A-61 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-
3、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（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.
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。四关于联通在记
5、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：
6、问题一：使用 Windows 记事本的“另存为” ，可以在 GBK、Unicode、Unicode big endian 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、Unicode big endian 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（Unicode big endian）,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
7、 UTF-8 这三种编码方式的相互转换。对于 Unicode(UCS2)、 GBK、UTF-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、big endian 和 little endianbig endian 和 little endian 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
8、，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 big endian。如果将 49 写在前面，就是 little 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 big endian 和 little endian 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
9、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
10、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)。2000 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
11、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/IEC 10646-1 的中文版，相当于 Unicode 1.1。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 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
12、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
13、 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
14、 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“Universal Multiple -Octet Coded Character Set“，简称为 UCS。UCS 可以看作是“Unicode Character Set“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，即国际标准化组织（ISO）和一个软件制造商的协会（unicode.org） 。ISO 开发了 ISO 10646 项目，Unicod
15、e 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 ISO 10646-1 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 Unicode 4.1.0。ISO 的最新标准是 ISO 10646-3:2003。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 UCS 编码是6C49，我可以用 4 个 ascii 数字来传输、保存
16、这个编码；也可以用 utf-8 编码:3 个连续的字节 E6 B1 89 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“UCS Transformation Format”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 Internet Engineering Task Force 的缩写。但 IETF 负责维护的 RFC 是 Int
17、ernet 上一切规范的基础。2.1、内码和 code page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(code page)来适应各个国家和地区。code page 可以被理解为前面提到的内码。GBK 对应的 code page 是 CP936。微软也为 GB18030 定义了 code page：CP54936。但是由于 GB18030 有一部分 4 字节编码，而
18、Windows 的代码页只支持单字节和双字节编码，所以这个 code page 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
19、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。group 0 的 plane 0 被称作 Basic Multilingual Plane, 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
20、 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 - 007F 0xxxxxxx 0080 - 07FF 110xxxxx 10xxxxxx 0800 - FFFF 1110xxxx 10xxxxxx 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： 1110xxxx 10xxxxxx 10xxxxxx。将 6C49 写成二进制是：0110 110001 001001， 用这个比特流依次代替模板中的 x，得到：11100110 10110001 10
21、001001，即 E6 B1 89。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 Hex Workshop。UTF -16 以 16 位为单元对 UCS 进行编码。对于小于 0x10000 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
22、 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 4E59。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“Bill Of Material”的 BOM表
23、，而是 Byte Order Mark。BOM 是一个有点小聪明的想法：在 UCS 编码中有一个叫做“ZERO WIDTH NO-BREAK SPACE“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“ZERO WIDTH NO-BREAK SPACE“。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，就表明这个字节流是 Little-Endian 的。因此字符“ZERO WIDTH NO-BREAK SPACE“又被称作 BOM。UTF -8 不
24、需要 BOM 来表明字节顺序，但可以用 BOM 来表明编码方式。字符“ZERO WIDTH NO-BREAK SPACE“的 UTF-8 编码是 EF BB BF（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 EF BB BF 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 “Short overview of ISO-IEC 10646 and Unicode“ (http:/www.nada.kth.se/i18n/ucs/unicode-iso10646-oview
25、.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：“Understanding Unicode A general introduction to the Unicode Standard“ (http:/scripts.sil.org/cms/scripts/page.php?site_id=nrsi&item_id=IWS-Chapter04a)“Character set encoding basics Understanding character set encodings and legacy encodings“ (http:/scrip
26、ts.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 Windows API 和不使用 Windows API 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(http:/)。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
27、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。 ”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 GB 2312-80 。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” 。 ）
28、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(code page)就是针对一种语言文字的字符编码。例如 GBK 的 code page 是CP936，BIG5 的 code page 是 CP950，GB2312 的 code page 是 CP20936。Windows 中有缺
29、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、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 AN
30、SI，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。
