深入了解字符集和编码问题

 

一、什么是字符集?什么是编码?

 

字符(Character)是文字与符号的总称，包括文字、图形符号、数学符号等。

一组抽象字符的集合就是字符集(Charset)。

字符集常常和一种具体的语言文字对应起来，该文字中的所有字符或者大部分常用字符就构成了该文字的字符集，比如英文字符集。

一组有共同特征的字符也可以组成字符集，比如繁体汉字字符集、日文汉字字符集。

字符集的子集也是字符集。

 

计算机要处理各种字符，就需要将字符和二进制内码对应起来，这种对应关系就是字符编码(Encoding)。

制定编码首先要确定字符集，并将字符集内的字符排序，然后和二进制数字对应起来。根据字符集内字符的多少，会确定用几个字节来编码。

每种编码都限定了一个明确的字符集合，叫做被编码过的字符集(Coded Character Set)，这是字符集的另外一个含义。通常所说的字符集大多是这个含义。

 

二、有哪些字符集?

 

ASCII:

American Standard Code for Information Interchange，美国信息交换标准码。

目前计算机中用得最广泛的字符集及其编码，由美国国家标准局(ANSI)制定。

它已被国际标准化组织(ISO)定为国际标准，称为ISO 646标准。

ASCII字符集由控制字符和图形字符组成。

在计算机的存储单元中，一个ASCII码值占一个字节(8个二进制位)，其最高位(b7)用作奇偶校验位。

所谓奇偶校验，是指在代码传送过程中用来检验是否出现错误的一种方法，一般分奇校验和偶校验两种。

奇校验规定:正确的代码一个字节中1的个数必须是奇数，若非奇数，则在最高位b7添1。

偶校验规定:正确的代码一个字节中1的个数必须是偶数，若非偶数，则在最高位b7添1。

 

ISO 8859-1:

ISO 8859，全称ISO/IEC 8859，是国际标准化组织(ISO)及国际电工委员会(IEC)联合制定的一系列8位字符集的标准，现时定义了15个字符集。

ASCII收录了空格及94个“可印刷字符”，足以给英语使用。

但是，其他使用拉丁字母的语言(主要是欧洲国家的语言)，都有一定数量的变音字母，故可以使用ASCII及控制字符以外的区域来储存及表示。

除了使用拉丁字母的语言外，使用西里尔字母的东欧语言、希腊语、泰语、现代阿拉伯语、希伯来语等，都可以使用这个形式来储存及表示。

    * ISO 8859-1 (Latin-1) - 西欧语言

    * ISO 8859-2 (Latin-2) - 中欧语言

    * ISO 8859-3 (Latin-3) - 南欧语言。世界语也可用此字符集显示。

    * ISO 8859-4 (Latin-4) - 北欧语言

    * ISO 8859-5 (Cyrillic) - 斯拉夫语言

    * ISO 8859-6 (Arabic) - 阿拉伯语

    * ISO 8859-7 (Greek) - 希腊语

    * ISO 8859-8 (Hebrew) - 希伯来语(视觉顺序)

    * ISO 8859-8-I - 希伯来语(逻辑顺序)

    * ISO 8859-9 (Latin-5 或 Turkish) - 它把Latin-1的冰岛语字母换走，加入土耳其语字母。

    * ISO 8859-10 (Latin-6 或 Nordic) - 北日耳曼语支，用来代替Latin-4。

    * ISO 8859-11 (Thai) - 泰语，从泰国的 TIS620 标准字集演化而来。

    * ISO 8859-13 (Latin-7 或 Baltic Rim) - 波罗的语族

    * ISO 8859-14 (Latin-8 或 Celtic) - 凯尔特语族

    * ISO 8859-15 (Latin-9) - 西欧语言，加入Latin-1欠缺的法语及芬兰语重音字母，以及欧元符号。

    * ISO 8859-16 (Latin-10) - 东南欧语言。主要供罗马尼亚语使用，并加入欧元符号。

很明显，iso8859-1编码表示的字符范围很窄，无法表示中文字符。

但是，由于是单字节编码，和计算机最基础的表示单位一致，所以很多时候，仍旧使用iso8859-1编码来表示。

而且在很多协议上，默认使用该编码。

 

UCS:

通用字符集(Universal Character Set，UCS)是由ISO制定的ISO 10646(或称ISO/IEC 10646)标准所定义的字符编码方式，采用4字节编码。

UCS包含了已知语言的所有字符。

除了拉丁语、希腊语、斯拉夫语、希伯来语、阿拉伯语、亚美尼亚语、格鲁吉亚语，还包括中文、日文、韩文这样的象形文字，UCS还包括大量的图形、印刷、数学、科学符号。

    * UCS-2: 与unicode的2byte编码基本一样。

    * UCS-4: 4byte编码, 目前是在UCS-2前加上2个全零的byte。

 

Unicode:

Unicode(统一码、万国码、单一码)是一种在计算机上使用的字符编码。

它是制定的编码机制，要将全世界常用文字都函括进去。

它为每种语言中的每个字符设定了统一并且唯一的二进制编码，以满足跨语言、跨平台进行文本转换、处理的要求。

1990年开始研发，1994年正式公布。随着计算机工作能力的增强，Unicode也在面世以来的十多年里得到普及。

但自从unicode2.0开始，unicode采用了与ISO 10646-1相同的字库和字码，ISO也承诺ISO10646将不会给超出0x10FFFF的UCS-4编码赋值，使得两者保持一致。

Unicode的编码方式与ISO 10646的通用字符集(Universal Character Set，UCS)概念相对应，目前的用于实用的Unicode版本对应于UCS-2，使用16位的编码空间。

也就是每个字符占用2个字节，基本满足各种语言的使用。实际上目前版本的Unicode尚未填充满这16位编码，保留了大量空间作为特殊使用或将来扩展。

 

UTF:

Unicode 的实现方式不同于编码方式。

一个字符的Unicode编码是确定的，但是在实际传输过程中，由于不同系统平台的设计不一定一致，以及出于节省空间的目的，对Unicode编码的实现方式有所不同。

Unicode的实现方式称为Unicode转换格式(Unicode Translation Format，简称为 UTF)。

    * UTF-8: 8bit变长编码，对于大多数常用字符集(ASCII中0~127字符)它只使用单字节，而对其它常用字符(特别是朝鲜和汉语会意文字)，它使用3字节。

    * UTF-16: 16bit编码，是变长码，大致相当于20位编码，值在0到0x10FFFF之间，基本上就是unicode编码的实现，与CPU字序有关。

 

 

汉字编码:

    * GB2312字集是简体字集，全称为GB2312(80)字集，共包括国标简体汉字6763个。

    * BIG5字集是台湾繁体字集，共包括国标繁体汉字13053个。

    * GBK字集是简繁字集，包括了GB字集、BIG5字集和一些符号，共包括21003个字符。

    * GB18030是国家制定的一个强制性大字集标准，全称为GB18030-2000，它的推出使汉字集有了一个“大一统”的标准。

 

ANSI和Unicode big endia:

我们在Windows系统中保存文本文件时通常可以选择编码为ANSI、Unicode、Unicode big endian和UTF-8，这里的ANSI和Unicode big endia是什么编码呢?

ANSI:

使用2个字节来代表一个字符的各种汉字延伸编码方式，称为ANSI编码。

在简体中文系统下，ANSI编码代表GB2312编码，在日文操作系统下，ANSI编码代表JIS编码。

Unicode big endia:

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。

Unicode规范中推荐的标记字节顺序的方法是BOM(即Byte Order Mark)。

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。

Windows就是使用BOM来标记文本文件的编码方式的。

 

三、编程语言与编码

 

C、C++、Python2内部字符串都是使用当前系统默认编码

Python3、Java内部字符串用Unicode保存

Ruby有一个内部变量$KCODE用来表示可识别的多字节字符串的编码，变量值为EUC SJIS UTF8 NONE之一。

$KCODE的值为EUC时，将假定字符串或正则表达式的编码为EUC-JP。

同样地，若为SJIS时则认定为Shift JIS。若为UTF8时则认定为UTF-8。

若为NONE时，将不会识别多字节字符串。

在向该变量赋值时，只有第1个字节起作用，且不区分大小写字母。

e E 代表 EUC，s S 代表 SJIS，u U 代表 UTF8，而n N 则代表 NONE。

默认值为NONE。

即默认情况下Ruby把字符串当成单字节序列来处理。

 

四、为什么会乱码?

 

乱码是个老问题，从上面我们知道，字符在保存时的编码格式如果和要显示的编码格式不一样的话，就会出现乱码问题。

我们的Web系统，从底层数据库编码、Web应用程序编码到HTML页面编码，如果有一项不一致的话，就会出现乱码。

所以，解决乱码问题说难也难说简单也简单，关键是让交互系统之间编码一致。

 

五、有没有万金油?

 

在如此多种编码和字符集弄的我们眼花缭乱的情况下，我们只需选择一种兼容性最好的编码方式和字符集，让它成为我们程序子系统之间

交互的编码契约，那么从此恼人的乱码问题即将远离我们而去 -- 这种兼容性最好的编码就是UTF-8!

毕竟GBK/GB2312是国内的标准，当我们大量使用国外的开源软件时，UTF-8才是编码界最通用的语言。