字符編碼詳解(基礎)

再后來，他們又做了一些可以處理這些字節(jié)的機器，機器開動了，可以用字節(jié)來組合出很多狀態(tài)，狀態(tài)開始變來變去。他們看到這樣是好的，于是它們就這機器稱為”計算機”。

開始計算機只在美國用。八位的字節(jié)一共可以組合出256(2的8次方)種不同的狀態(tài)。

他們把其中的編號從0開始的32種狀態(tài)分別規(guī)定了特殊的用途，一但終端、打印機遇上約定好的這些字節(jié)被傳過來時，就要做一些約定的動作。遇上00×10, 終端就換行，遇上0×07, 終端就向人們嘟嘟叫，例如遇上0×1b, 打印機就打印反白的字，或者終端就用彩色顯示字母。他們看到這樣很好，于是就把這些0×20以下的字節(jié)狀態(tài)稱為”控制碼”．

他們又把所有的空格、標點符號、數字、大小寫字母分別用連續(xù)的字節(jié)狀態(tài)表示，一直編到了第127號，這樣計算機就可以用不同字節(jié)來存儲英語的文字了。大家 看到這樣，都感覺很好，于是大家都把這個方案叫做 ANSI 的”Ascii”編碼（American Standard Code for Information Interchange，美國信息互換標準代碼）。當時世界上所有的計算機都用同樣的ASCII方案來保存英文文字。

后來，就像建造巴比倫塔一樣，世界各地的都開始使用計算機，但是很多國家用的不是英文，他們的字母里有許多是ASCII里沒有的，為了可以在計算機保存他 們的文字，他們決定采用127號之后的空位來表示這些新的字母、符號，還加入了很多畫表格時需要用下到的橫線、豎線、交叉等形狀，一直把序號編到了最后一 個狀態(tài)255。從128到255這一頁的字符集被稱”擴展字符集”。從此之后，貪婪的人類再沒有新的狀態(tài)可以用了，美帝國主義可能沒有想到還有第三世界國 家的人們也希望可以用到計算機吧！

等中國人們得到計算機時，已經沒有可以利用的字節(jié)狀態(tài)來表示漢字，況且有6000多個常用漢字需要保存呢。但是這難不倒智慧的中國人民，我們不客氣地把那些127號之后的奇異符號們直接取消掉,

規(guī)定：一個小于127的字符的意義與原來相同，但兩個大于127的字符連在一起時，就表示一個漢字，前面的一個字節(jié)（他稱之為高字節(jié)）從0xA1用到 0xF7，后面一個字節(jié)（低字節(jié)）從0xA1到0xFE，這樣我們就可以組合出大約7000多個簡體漢字了。在這些編碼里，我們還把數學符號、羅馬希臘的 字母、日文的假名們都編進去了，連在 ASCII 里本來就有的數字、標點、字母都統(tǒng)統(tǒng)重新編了兩個字節(jié)長的編碼，這就是常說的”全角”字符，而原來在127號以下的那些就叫”半角”字符了。

中國人民看到這樣很不錯，于是就把這種漢字方案叫做 “GB2312″。GB2312 是對 ASCII 的中文擴展．

但是中國的漢字太多了，我們很快就就發(fā)現(xiàn)有許多人的人名沒有辦法在這里打出來，特別是某些很會麻煩別人的國家領導人。于是我們不得不繼續(xù)把 GB2312 沒有用到的碼位找出來老實不客氣地用上。

后來還是不夠用，于是干脆不再要求低字節(jié)一定是127號之后的內碼，只要第一個字節(jié)是大于127就固定表示這是一個漢字的開始，不管后面跟的是不是擴展字 符集里的內容。結果擴展之后的編碼方案被稱為 GBK 標準，GBK 包括了 GB2312 的所有內容，同時又增加了近20000個新的漢字（包括繁體字）和符號。

后來少數民族也要用電腦了，于是我們再擴展，又加了幾千個新的少數民族的字，GBK 擴成了GB18030。從此之后，中華民族的文化就可以在計算機時代中傳承了。

中國的程序員們看到這一系列漢字編碼的標準是好的，于是通稱他們叫做 “DBCS”（Double Byte Charecter Set 雙字節(jié)字符集）。在DBCS系列標準里，最大的特點是兩字節(jié)長的漢字字符和一字節(jié)長的英文字符并存于同一套編碼方案里，因此他們寫的程序為了支持中文處 理，必須要注意字串里的每一個字節(jié)的值，如果這個值是大于127的，那么就認為一個雙字節(jié)字符集里的字符出現(xiàn)了。那時候凡是受過加持，會編程的計算機僧侶 們都要每天念下面這個咒語數百遍：

“一個漢字算兩個英文字符！一個漢字算兩個英文字符……”

因為當時各個國家都像中國這樣搞出一套自己的編碼標準，結果互相之間誰也不懂誰的編碼，誰也不支持別人的編碼，連大陸和臺灣這樣只相隔了150海里，使用 著同一種語言的兄弟地區(qū)，也分別采用了不同的 DBCS 編碼方案——當時的中國人想讓電腦顯示漢字，就必須裝上一個”漢字系統(tǒng)”，專門用來處理漢字的顯示、輸入的問題，但是那個臺灣的愚昧封建人士寫的算命程序 就必須加裝另一套支持 BIG5 編碼的什么”倚天漢字系統(tǒng)”才可以用，裝錯了字符系統(tǒng)，顯示就會亂了套！這怎么辦？而且世界民族之林中還有那些一時用不上電腦的窮苦人民，他們的文字又怎 么辦？

真是計算機的巴比倫塔命題?。?/P>

正在這時，大天使加百列及時出現(xiàn)了——一個叫 ISO（國際標誰化組織）的國際組織決定著手解決這個問題。他們采用的方法很簡單：廢了所有的地區(qū)性編碼方案，重新搞一個包括了地球上所有文化、所有字母 和符號的編碼！他們打算叫它”Universal Multiple-Octet Coded Character Set”，簡稱 UCS, 俗稱 “UNICODE”。

UNICODE 開始制訂時，計算機的存儲器容量極大地發(fā)展了，空間再也不成為問題了。于是 ISO 就直接規(guī)定必須用兩個字節(jié)，也就是16位來統(tǒng)一表示所有的字符，對于ascii里的那些“半角”字符，UNICODE 包持其原編碼不變，只是將其長度由原來的8位擴展為16位，而其他文化和語言的字符則全部重新統(tǒng)一編碼。由于”半角”英文符號只需要用到低8位，所以其高 8位永遠是0，因此這種大氣的方案在保存英文文本時會多浪費一倍的空間。

這時候，從舊社會里走過來的程序員開始發(fā)現(xiàn)一個奇怪的現(xiàn)象：他們的strlen函數靠不住了，一個漢字不再是相當于兩個字符了，而是一個！是的，從 UNICODE 開始，無論是半角的英文字母，還是全角的漢字，它們都是統(tǒng)一的”一個字符”！同時，也都是統(tǒng)一的”兩個字節(jié)”，請注意”字符”和”字節(jié)”兩個術語的不 同，“字節(jié)”是一個8位的物理存貯單元，而“字符”則是一個文化相關的符號。在UNICODE 中，一個字符就是兩個字節(jié)。一個漢字算兩個英文字符的時代已經快過去了。

從前多種字符集存在時，那些做多語言軟件的公司遇上過很大麻煩，他們?yōu)榱嗽诓煌膰忆N售同一套軟件，就不得不在區(qū)域化軟件時也加持那個雙字節(jié)字符集咒 語，不僅要處處小心不要搞錯，還要把軟件中的文字在不同的字符集中轉來轉去。UNICODE 對于他們來說是一個很好的一攬子解決方案，于是從 Windows NT 開始，MS 趁機把它們的操作系統(tǒng)改了一遍，把所有的核心代碼都改成了用 UNICODE 方式工作的版本，從這時開始，WINDOWS 系統(tǒng)終于無需要加裝各種本土語言系統(tǒng)，就可以顯示全世界上所有文化的字符了。

但是，UNICODE 在制訂時沒有考慮與任何一種現(xiàn)有的編碼方案保持兼容，這使得 GBK 與UNICODE 在漢字的內碼編排上完全是不一樣的，沒有一種簡單的算術方法可以把文本內容從UNICODE編碼和另一種編碼進行轉換，這種轉換必須通過查表來進行。

如前所述，UNICODE 是用兩個字節(jié)來表示為一個字符，他總共可以組合出65535不同的字符，這大概已經可以覆蓋世界上所有文化的符號。如果還不夠也沒有關系，ISO已經準備 了UCS-4方案，說簡單了就是四個字節(jié)來表示一個字符，這樣我們就可以組合出21億個不同的字符出來（最高位有其他用途），這大概可以用到銀河聯(lián)邦成立 那一天吧！

UNICODE 來到時，一起到來的還有計算機網絡的興起，UNICODE 如何在網絡上傳輸也是一個必須考慮的問題，于是面向傳輸的眾多 UTF（UCS Transfer Format）標準出現(xiàn)了，顧名思義，UTF8就是每次8個位傳輸數據，而UTF16就是每次16個位，只不過為了傳輸時的可靠性，從UNICODE到 UTF時并不是直接的對應，而是要過一些算法和規(guī)則來轉換。

受到過網絡編程加持的計算機僧侶們都知道，在網絡里傳遞信息時有一個很重要的問題，就是對于數據高低位的解讀方式，一些計算機是采用低位先發(fā)送的方法，例 如我們PC機采用的 INTEL 架構，而另一些是采用高位先發(fā)送的方式，在網絡中交換數據時，為了核對雙方對于高低位的認識是否是一致的，采用了一種很簡便的方法，就是在文本流的開始時 向對方發(fā)送一個標志符——如果之后的文本是高位在位，那就發(fā)送”FEFF”，反之，則發(fā)送”FFFE”。不信你可以用二進制方式打開一個UTF-X格式的 文件，看看開頭兩個字節(jié)是不是這兩個字節(jié)？

講到這里，我們再順便說說一個很著名的奇怪現(xiàn)象：當你在 windows 的記事本里新建一個文件，輸入”聯(lián)通”兩個字之后，保存，關閉，然后再次打開，你會發(fā)現(xiàn)這兩個字已經消失了，代之的是幾個亂碼！呵呵，有人說這就是聯(lián)通之所以拼不過移動的原因。

其實這是因為GB2312編碼與UTF8編碼產生了編碼沖撞的原因。

從網上引來一段從UNICODE到UTF8的轉換規(guī)則：

例如”漢”字的Unicode編碼是6C49。6C49在0800-FFFF之間，所以要用3字節(jié)模板：1110xxxx 10xxxxxx 10xxxxxx。將6C49寫成二進制是：0110 1100 0100 1001，將這個比特流按三字節(jié)模板的分段方法分為0110 110001 001001，依次代替模板中的x，得到：1110-0110 10-110001 10-001001，即E6 B1 89，這就是其UTF8的編碼。

而當你新建一個文本文件時，記事本的編碼默認是ANSI,如果你在ANSI的編碼輸入漢字，那么他實際就是GB系列的編碼方式，在這種編碼下，”聯(lián)通”的內碼是：

注意到了嗎？第一二個字節(jié)、第三四個字節(jié)的起始部分的都是”110″和”10″，正好與UTF8規(guī)則里的兩字節(jié)模板是一致的，于是再次打開記事本時，記事 本就誤認為這是一個UTF8編碼的文件，讓我們把第一個字節(jié)的110和第二個字節(jié)的10去掉，我們就得到了”00001 101010″，再把各位對齊，補上前導的0，就得到了”0000 0000 0110 1010″，不好意思，這是UNICODE的006A，也就是小寫的字母”j”，而之后的兩字節(jié)用UTF8解碼之后是0368，這個字符什么也不是。這就 是只有”聯(lián)通”兩個字的文件沒有辦法在記事本里正常顯示的原因。

而如果你在”聯(lián)通”之后多輸入幾個字，其他的字的編碼不見得又恰好是110和10開始的字節(jié)，這樣再次打開時，記事本就不會堅持這是一個utf8編碼的文件，而會用ANSI的方式解讀之，這時亂碼又不出現(xiàn)了。

好了，終于可以回答NICO的問題了，在數據庫里，有n前綴的字串類型就是UNICODE類型，這種類型中，固定用兩個字節(jié)來表示一個字符，無論這個字符是漢字還是英文字母，或是別的什么。

如果你要測試”abc漢字”這個串的長度，在沒有n前綴的數據類型里，這個字串是7個字符的長度，因為一個漢字相當于兩個字符。而在有n前綴的數據類型里，同樣的測試串長度的函數將會告訴你是5個字符，因為一個漢字就是一個字符。