科普：UTF-8 GBK UTF8 GB2312 之間的區別和關係

 

UTF-8：Unicode TransformationFormat-8bit，容許含BOM，但一般不含BOM。是用以解決國際上字符的一種多字節編碼，它對英文使用8位（即一個字節），中文使用24爲（三個字節）來編碼。UTF-8包含全世界全部國家須要用到的字符，是國際編碼，通用性強。UTF-8編碼的文字能夠在各國支持UTF8字符集的瀏覽器上顯示。如，若是是UTF8編碼，則在外國人的英文IE上也能顯示中文，他們無需下載IE的中文語言支持包。

GBK是國家標準GB2312基礎上擴容後兼容GB2312的標準。GBK的文字編碼是用雙字節來表示的，即不論中、英文字符均使用雙字節來表示，爲了區分中文，將其最高位都設定成1。GBK包含所有中文字符，是國家編碼，通用性比UTF8差，不過UTF8佔用的數據庫比GBD大。

GBK、GB2312等與UTF8之間都必須經過Unicode編碼才能相互轉換：

GBK、GB2312－－Unicode－－UTF8

UTF8－－Unicode－－GBK、GB2312

對於一個網站、論壇來講，若是英文字符較多，則建議使用UTF－8節省空間。不過如今不少論壇的插件通常只支持GBK。
簡單來講，unicode，gbk和大五碼就是編碼的值，而utf-8,uft-16之類就是這個值的表現形式．而前面那三種編碼是一兼容的，同一個漢字，那三個碼值是徹底不同的．如＂漢＂的uncode值與gbk就是不同的，假設uncode爲a040，gbk爲b030，而uft-8碼，就是把那個值表現的形式．utf-8碼徹底只針對uncode來組織的，若是ＧＢＫ要轉ＵＴＦ－８必須先轉uncode碼，再轉utf-8就ＯＫ了．

詳細的就見下面轉的這篇文章．

談談Unicode編碼，簡要解釋UCS、UTF、BMP、BOM等名詞

這是一篇程序員寫給程序員的趣味讀物。所謂趣味是指能夠比較輕鬆地瞭解一些原來不清楚的概念，增進知識，相似於打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「另存爲」，能夠在GBK、Unicode、Unicode big endian和UTF-8這幾種編碼方式間相互轉換。一樣是txt文件，Windows是怎樣識別編碼方式的呢？

我很早前就發現Unicode、Unicode bigendian和UTF-8編碼的txt文件的開頭會多出幾個字節，分別是FF、FE（Unicode）,FE、FF（Unicode bigendian）,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-3二、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。但這個程序讓我有些糊塗，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，送給有過相似疑問的朋友。本文在寫做時儘可能作到通俗易懂，但要求讀者知道什麼是字節，什麼是十六進制。

0、big endian和little endian
big endian和littleendian是CPU處理多字節數的不一樣方式。例如「漢」字的Unicode編碼是6C49。那麼寫到文件裏時，到底是將6C寫在前面，仍是將49寫在前面？若是將6C寫在前面，就是big endian。若是將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)敲開仍是從小頭(Little-Endian)敲開，由此曾發生過六次叛亂，一個皇帝送了命，另外一個丟了王位。

咱們通常將endian翻譯成「字節序」，將big endian和little endian稱做「大尾」和「小尾」。

一、字符編碼、內碼，順帶介紹漢字編碼
字符必須編碼後才能被計算機處理。計算機使用的缺省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，爲了處理漢字，程序員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個字符，包括6763個漢字和682個其它符號。漢字區的內碼範圍高字節從B0-F7，低字節從A1-FE，佔用的碼位是72*94=6768。其中有5個空位是D7FA-D7FE。

GB2312支持的漢字太少。1995年的漢字擴展規範GBK1.0收錄了21886個符號，它分爲漢字區和圖形符號區。漢字區包括21003個字符。

從ASCII、GB2312到GBK，這些編碼方法是向下兼容的，即同一個字符在這些方案中老是有相同的編碼，後面的標準支持更多的字符。在這些編碼中，英文和中文能夠統一地處理。區分中文編碼的方法是高字節的最高位不爲0。按照程序員的稱呼，GB23十二、GBK都屬於雙字節字符集 (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。從漢字字彙上說，GB18030在GB13000.1的20902個漢字的基礎上增長了CJK擴展A的6582個漢字（Unicode碼0x3400-0x4db5），一共收錄了27484個漢字。

CJK就是中日韓的意思。Unicode爲了節省碼位，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，至關於Unicode 1.1。

GB18030的編碼採用單字節、雙字節和4字節方案。其中單字節、雙字節和GBK是徹底兼容的。4字節編碼的碼位就是收錄了CJK擴展A的6582個漢字。例如：UCS的0x3400在GB18030中的編碼應該是8139EF30，UCS的0x3401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持CJK擴展A的6582個漢字的新字體：新宋體-18030，並不改變內碼。Windows 的內碼仍然是GBK。

這裏還有一些細節：

GB2312的原文仍是區位碼，從區位碼到內碼，須要在高字節和低字節上分別加上A0。

對於任何字符編碼，編碼單元的順序是由編碼方案指定的，與endian無關。例如GBK的編碼單元是字節，用兩個字節表示一個漢字。這兩個字節的順序是固定的，不受CPU字節序的影響。UTF-16的編碼單元是word（雙字節），word之間的順序是編碼方案指定的，word內部的字節排列纔會受到endian的影響。後面還會介紹UTF-16。

GB2312的兩個字節的最高位都是1。但符合這個條件的碼位只有128*128=16384個。因此GBK和GB18030的低字節最高位均可能不是1。不過這不影響DBCS字符流的解析：在讀取DBCS字符流時，只要遇到高位爲1的字節，就能夠將下兩個字節做爲一個雙字節編碼，而不用管低字節的高位是什麼。

二、Unicode、UCS和UTF
前面提到從ASCII、GB23十二、GBK到GB18030的編碼方法是向下兼容的。而Unicode只與ASCII兼容（更準確地說，是與ISO-8859-1兼容），與GB碼不兼容。例如「漢」字的Unicode編碼是6C49，而GB碼是BABA。

Unicode也是一種字符編碼方法，不過它是由國際組織設計，能夠容納全世界全部語言文字的編碼方案。Unicode的學名是"UniversalMultiple-Octet Coded Character Set"，簡稱爲UCS。UCS能夠看做是"Unicode CharacterSet"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）和一個軟件製造商的協會（unicode.org）。ISO開發了ISO 10646項目，Unicode協會開發了Unicode項目。

在1991年先後，雙方都認識到世界不須要兩個不兼容的字符集。因而它們開始合併雙方的工做成果，併爲創立一個單一編碼表而協同工做。從Unicode2.0開始，Unicode項目採用了與ISO 10646-1相同的字庫和字碼。

目前兩個項目仍都存在，並獨立地公佈各自的標準。Unicode協會如今的最新版本是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，並無規定如何傳輸、保存這個編碼。例如「漢」字的UCS編碼是6C49，我能夠用4個ascii數字來傳輸、保存這個編碼；也能夠用utf-8編碼:3個連續的字節E6 B189來表示它。關鍵在於通訊雙方都要承認。UTF-八、UTF-七、UTF-16都是被普遍接受的方案。UTF-8的一個特別的好處是它與ISO-8859-1徹底兼容。UTF是「UCS Transformation Format」的縮寫。

IETF的RFC2781和RFC3629以RFC的一向風格，清晰、明快又不失嚴謹地描述了UTF-16和UTF-8的編碼方法。我老是記不得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。

2.一、內碼和code page
目前Windows的內核已經支持Unicode字符集，這樣在內核上能夠支持全世界全部的語言文字。可是因爲現有的大量程序和文檔都採用了某種特定語言的編碼，例如GBK，Windows不可能不支持現有的編碼，而所有改用Unicode。

Windows使用代碼頁(code page)來適應各個國家和地區。code page能夠被理解爲前面提到的內碼。GBK對應的code page是CP936。

微軟也爲GB18030定義了code page：CP54936。可是因爲GB18030有一部分4字節編碼，而Windows的代碼頁只支持單字節和雙字節編碼，因此這個code page是沒法真正使用的。

三、UCS-二、UCS-四、BMP
UCS有兩種格式：UCS-2和UCS-4。顧名思義，UCS-2就是用兩個字節編碼，UCS-4就是用4個字節（實際上只用了31位，最高位必須爲0）編碼。下面讓咱們作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根據最高位爲0的最高字節分紅2^7=128個group。每一個group再根據次高字節分爲256個plane。每一個plane根據第3個字節分爲256行 (rows)，每行包含256個cells。固然同一行的cells只是最後一個字節不一樣，其他都相同。

group 0的plane 0被稱做Basic Multilingual Plane, 即BMP。或者說UCS-4中，高兩個字節爲0的碼位被稱做BMP。

將UCS-4的BMP去掉前面的兩個零字節就獲得了UCS-2。在UCS-2的兩個字節前加上兩個零字節，就獲得了UCS-4的BMP。而目前的UCS-4規範中尚未任何字符被分配在BMP以外。

四、UTF編碼

UTF-8就是以8位爲單元對UCS進行編碼。從UCS-2到UTF-8的編碼方式以下：

UCS-2編碼(16進制) UTF-8 字節流(二進制)
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，因此確定要用3字節模板了：1110xxxx 10xxxxxx10xxxxxx。將6C49寫成二進制是：0110 110001 001001， 用這個比特流依次代替模板中的x，獲得：1110011010110001 10001001，即E6 B1 89。

讀者能夠用記事本測試一下咱們的編碼是否正確。須要注意，UltraEdit在打開utf-8編碼的文本文件時會自動轉換爲UTF-16，可能產生混淆。你能夠在設置中關掉這個選項。更好的工具是Hex Workshop。

UTF-16以16位爲單元對UCS進行編碼。對於小於0x10000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0x10000的UCS碼，定義了一個算法。不過因爲實際使用的UCS2，或者UCS4的BMP必然小於0x10000，因此就目前而言，能夠認爲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，因此就不得不考慮字節序的問題。

五、UTF的字節序和BOM
UTF-8以字節爲編碼單元，沒有字節序的問題。UTF-16以兩個字節爲編碼單元，在解釋一個UTF-16文本前，首先要弄清楚每一個編碼單元的字節序。例如「奎」的Unicode編碼是594E，「乙」的Unicode編碼是4E59。若是咱們收到UTF-16字節流「594E」，那麼這是「奎」仍是「乙」？

Unicode規範中推薦的標記字節順序的方法是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編碼中有一個叫作"ZERO WIDTH NO-BREAKSPACE"的字符，它的編碼是FEFF。而FFFE在UCS中是不存在的字符，因此不該該出如今實際傳輸中。UCS規範建議咱們在傳輸字節流前，先傳輸字符"ZERO WIDTH NO-BREAK SPACE"。

這樣若是接收者收到FEFF，就代表這個字節流是Big-Endian的；若是收到FFFE，就代表這個字節流是Little-Endian的。所以字符"ZERO WIDTH NO-BREAK SPACE"又被稱做BOM。

UTF-8不須要BOM來代表字節順序，但能夠用BOM來代表編碼方式。字符"ZERO WIDTH NO-BREAKSPACE"的UTF-8編碼是EF BB BF（讀者能夠用咱們前面介紹的編碼方法驗證一下）。因此若是接收者收到以EF BBBF開頭的字節流，就知道這是UTF-8編碼了。

Windows就是使用BOM來標記文本文件的編碼方式的。

六、進一步的參考資料
本文主要參考的資料是 "Short overview of ISO-IEC 10646 and Unicode" (http://www.nada.kth.se/i18n/ucs/unicode-iso10646-oview.html)。

我還找了兩篇看上去不錯的資料，不過由於我開始的疑問都找到了答案，因此就沒有看：

"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://scripts.sil.org/cms/scripts/page.php?site_id=nrsi&item_id=IWS-Chapter03)
我寫過UTF-八、UCS-二、GBK相互轉換的軟件包，包括使用Windows API和不使用Windows API的版本。之後有時間的話，我會整理一下放到個人我的主頁上(http://fmddlmyy.home4u.china.com)。

我是想清楚全部問題後纔開始寫這篇文章的，原覺得一下子就能寫好。沒想到考慮措辭和查證細節花費了很長時間，居然從下午1:30寫到9:00。但願有讀者能從中受益。

附錄1 再說說區位碼、GB23十二、內碼和代碼頁

有的朋友對文章中這句話還有疑問：
「GB2312的原文仍是區位碼，從區位碼到內碼，須要在高字節和低字節上分別加上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 信息交換用漢字編碼字符集 基本集 GB2312-80》。這個標準用兩個數來編碼漢字和中文符號。第一個數稱爲「區」，第二個數稱爲「位」。因此也稱爲區位碼。1-9區是中文符號，16-55區是一級漢字，56-87區是二級漢字。如今Windows也還有區位輸入法，例如輸入1601獲得「啊」。（這個區位輸入法能夠自動識別16進制的GB2312和10進制的區位碼，也就是說輸入B0A1一樣會獲得「啊」。）

內碼是指操做系統內部的字符編碼。早期操做系統的內碼是與語言相關的。如今的Windows在系統內部支持Unicode，而後用代碼頁適應各類語言，「內碼」的概念就比較模糊了。微軟通常將缺省代碼頁指定的編碼說成是內碼。

內碼這個詞彙，並無什麼官方的定義，代碼頁也只是微軟這個公司的叫法。做爲程序員，咱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。

所謂代碼頁(code page)就是針對一種語言文字的字符編碼。例如GBK的code page是CP936，BIG5的code page是CP950，GB2312的code page是CP20936。

Windows中有缺省代碼頁的概念，即缺省用什麼編碼來解釋字符。例如Windows的記事本打開了一個文本文件，裏面的內容是字節流：BA、BA、D七、D6。Windows應該去怎麼解釋它呢？

是按照Unicode編碼解釋、仍是按照GBK解釋、仍是按照BIG5解釋，仍是按照ISO8859-1去解釋？若是按GBK去解釋，就會獲得「漢字」兩個字。按照其它編碼解釋，可能找不到對應的字符，也可能找到錯誤的字符。所謂「錯誤」是指與文本做者的本意不符，這時就產生了亂碼。

答案是Windows按照當前的缺省代碼頁去解釋文本文件裏的字節流。缺省代碼頁能夠經過控制面板的區域選項設置。記事本的另存爲中有一項ANSI，其實就是按照缺省代碼頁的編碼方法保存。

Windows的內碼是Unicode，它在技術上能夠同時支持多個代碼頁。只要文件能說明本身使用什麼編碼，用戶又安裝了對應的代碼頁，Windows就能正確顯示，例如在HTML文件中就能夠指定charset。

有的HTML文件做者，特別是英文做者，認爲世界上全部人都使用英文，在文件中不指定charset。若是他使用了0x80-0xff之間的字符，中文Windows又按照缺省的GBK去解釋，就會出現亂碼。這時只要在這個html文件中加上指定charset的語句，例如：<meta http-equiv="Content-Type" content="text/html; charset=ISO8859-1">

若是原做者使用的代碼頁和ISO8859-1兼容，就不會出現亂碼了。

再說區位碼，啊的區位碼是1601，寫成16進制是0x10,0x01。這和計算機普遍使用的ASCII編碼衝突。爲了兼容00-7f的ASCII編碼，咱們在區位碼的高、低字節上分別加上A0。這樣「啊」的編碼就成爲B0A1。咱們將加過兩個A0的編碼也稱爲GB2312編碼，雖然GB2312的原文根本沒提到這一點。