字符集编码Unicode ,gb2312 cp936

字符集编码Unicode ,gb2312 cp936

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php cp936，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：

使用记事本的“另存为”，可以在GBK、、 big 和UTF-8这

几种编码方式间相互转换。同样是txt文件，是怎样识别编码方式的呢？

我很早前就发现、 big 和UTF-8编码的txt文件的开头会多出几个字

节，分别是FF、FE（）,FE、FF（ big ）,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.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(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，顺带也了解了一些的细节。作者写成

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 和 

big 和 是CPU处理多字节数的不同方式。例如“汉”字的编码

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big 。如果将49写在前面，就是 。

“”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

-)敲开还是从小头(-)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。

我们一般将翻译成“字节序”，将big 和 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和用

于繁体中文的big5。

(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。

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。2000年的是取代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

。现在的PC平台必须支持，对嵌入式产品暂不作要求。所以手机、MP3一般只支持

。

从ASCII、、GBK到，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，、GBK

到 都属于双字节字符集 (DBCS)。

有的中文的缺省内码还是GBK，可以通过升级包升级到。不过GB18

030相对GBK增加的字符，普通人是很难用到的，通常我们还是用GBK指代中文内码

这里还有一些细节：

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。

在DBCS中，GB内码的存储格式始终是big ，即高位在前。

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GB

K和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、、UCS和UTF

前面提到从ASCII、、GBK到的编码方法是向下兼容的。而只与ASCI

I兼容（更准确地说，是与ISO-8859-1兼容），与GB码不兼容。例如“汉”字的编

码是6C49，而GB码是BABA。

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。的学名是 ” -Octet Coded  Set”字符集编码Unicode ,gb2312 cp936，简

称为UCS。UCS可以看作是”  Set”的缩写。

根据维基百科全书(  )的记载：历史上存在两个试图独立

设计的组织，即国际标准化组织（ISO）和一个软件制造商的协会（）

。ISO开发了ISO 10646项目，协会开发了项目。

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.0开始，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。协会现在的最新版本是2005年

的 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 

ion ”的缩写。

IETF的和以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  Task Force的缩写。但IETF负

责维护的RFC是上一切规范的基础。

2.1、内码和code page

目前的内核已经采用编码，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GBKphp cp936，不可

能不支持现有的编码，而全部改用。

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。

微软也为定义了code page：。但是由于有一部分4字节编码，而W

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、BMP

UCS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2^16=65536个码位，UCS-4有2^31=个码位。

UCS-4根据最高位为0的最高字节分成2^7=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。

group 0的plane 0被称作Basic  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  0080 – 07FF 

xx  0800 – FFFF   

例如“汉”字的编码是6C49。6C49在0800-FFFF之间，所以肯定要用3字节模板了：

  。将6C49写成二进制是：0110  ，用这个比特

流依次代替模板中的x，得到：  ，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，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 。

UTF-16以16位为单元对UCS进行编码。对于小于的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，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BOM

UTF-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”的编码是594E，

“乙”的编码是4E59。如果我们收到UTF-16字节流“594E”，那么这是“奎” 还

是“乙”？

规范中推荐的标记字节顺序的方法是BOM。BOM不是“Bill Of ”的BOM表

，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字符集编码Unicode ,gb2312 cp936，就表明这个字节流是Big-的；如果收到FFFE，就表明这

个字节流是-的。因此字符”ZERO WIDTH NO-BREAK SPACE”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”ZERO WIDTH NO-BR

EAK 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。

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  of ISO-IEC 10646 and ” ( 

w.nada.kth.se/i18n/ucs/–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：

”  A   to the  ” ( http:

///cms//page.php?=nrsi&=IWS- ) “

 set     set  and 

” ( 

=IWS- ) 我写过UTF-8、UCS-2、GBK相互转换的软件包，包括使用 API和

不使用 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:

// )。

附录1 再说说区位码、、内码和代码页

有的朋友对文章中这句话还有疑问： “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。”

我再详细解释一下：

“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。现在也还有区位输入法，例如输入1601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

在内部统一使用，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，在特殊的场合也会说自己的内码是，

例如在 问题的处理上。

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，的code page是。

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。应该去怎么解释它呢

是按照编码解释、还是按照GBK解释、还是按照BIG5解释，还是按照-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。

的内码是，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，就能正确显示，例如在HTML文件中就可

以指定。

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ch

arset。如果他使用了0x80-0xff之间的字符，中文又按照缺省的GBK去解释，就会

出现乱码。这时只要在这个html文件中加上指定的语句，例如：如果原作者使用的

代码页和-1兼容，就不会出现乱码了。

再说区位码，啊的区位码是1601php cp936，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的编码也称为编码，虽然 的原

文根本没提到这一点。