有关字符编码(gb,unicode,utf-8)的文章

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： 

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 endian 
big 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，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。还是将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，其中一个皇帝送了命，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。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。现在的PC平台必须支持GB18030，对嵌入式产品暂不作要求。所以手机、MP3一般只支持GB2312。 

从ASCII、GB2312、GBK到GB18030，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，GB2312、GBK到GB18030都属于双字节字符集 (DBCS)。 

有的中文Windows的缺省内码还是GBK，可以通过GB18030升级包升级到GB18030。不过GB18030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Windows内码。 

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。 

在DBCS中，GB内码的存储格式始终是big endian，即高位在前。 

GB2312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，Unicode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10646-3:2003。 

UCS规定了怎么用多个字节表示各种文字。怎样传输这些编码，是由UTF(UCS Transformation Format)规范规定的，常见的UTF规范包括UTF-8、UTF-7、UTF-16。 

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Internet上一切规范的基础。 

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=2147483648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 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 10001001，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。 

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。例如收到一个“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，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.html)。  

asp中有关字符编码转换的几个函数 

<% 
1、'UTF转GB---将UTF8编码文字转换为GB编码文字 
function UTF2GB(UTFStr)  

for Dig=1 to len(UTFStr)  
  '如果UTF8编码文字以%开头则进行转换 
  if mid(UTFStr,Dig,1)="%" then  
     'UTF8编码文字大于8则转换为汉字 
    if len(UTFStr) >= Dig+8 then  
       GBStr=GBStr & ConvChinese(mid(UTFStr,Dig,9))  
       Dig=Dig+8  
    else  
      GBStr=GBStr & mid(UTFStr,Dig,1)  
    end if  
  else  
     GBStr=GBStr & mid(UTFStr,Dig,1)  
  end if  
next  
UTF2GB=GBStr  
end function  

'UTF8编码文字将转换为汉字 
function ConvChinese(x)  
   A=split(mid(x,2),"%"  
   i=0  
   j=0  
  for i=0 to ubound(A)  
     A(i)=c16to2(A(i))  
  next  
  for i=0 to ubound(A)-1  
    DigS=instr(A(i),"0"  
    Unicode=""  
    for j=1 to DigS-1  
      if j=1 then  
        A(i)=right(A(i),len(A(i))-DigS)  
        Unicode=Unicode & A(i)  
      else  
         i=i+1  
         A(i)=right(A(i),len(A(i))-2)  
         Unicode=Unicode & A(i)  
      end if  
    next  

    if len(c2to16(Unicode))=4 then  
       ConvChinese=ConvChinese & chrw(int("&H" & c2to16(Unicode)))  
    else  
       ConvChinese=ConvChinese & chr(int("&H" & c2to16(Unicode)))  
    end if  
  next  
end function  

'二进制代码转换为十六进制代码 
function c2to16(x) 
   i=1  
   for i=1 to len(x) step 4  
      c2to16=c2to16 & hex(c2to10(mid(x,i,4)))  
   next  
end function  

'二进制代码转换为十进制代码 
function c2to10(x) 
   c2to10=0  
   if x="0" then exit function  
     i=0  
   for i= 0 to len(x) -1  
      if mid(x,len(x)-i,1)="1" then c2to10=c2to10+2^(i)  
   next  
end function  

'十六进制代码转换为二进制代码 
function c16to2(x)  
    i=0  
    for i=1 to len(trim(x))  
      tempstr= c10to2(cint(int("&h" & mid(x,i,1))))  
      do while len(tempstr)<4  
         tempstr="0" & tempstr  
      loop  
      c16to2=c16to2 & tempstr  
   next  
end function  

'十进制代码转换为二进制代码 
function c10to2(x)  
   mysign=sgn(x)  
   x=abs(x)  
   DigS=1  
   do  
      if x<2^DigS then  
        exit do  
      else  
        DigS=DigS+1  
      end if  
   loop  
   tempnum=x  

   i=0  
   for i=DigS to 1 step-1  
      if tempnum>=2^(i-1) then  
         tempnum=tempnum-2^(i-1)  
         c10to2=c10to2 & "1"  
      else  
         c10to2=c10to2 & "0"  
      end if  
   next  
   if mysign=-1 then c10to2="-" & c10to2  
end function 

2、'GB转UTF8--将GB编码文字转换为UTF8编码文字 

Function toUTF8(szInput) 
    Dim wch, uch, szRet 
    Dim x 
    Dim nAsc, nAsc2, nAsc3 
    '如果输入参数为空，则退出函数 
    If szInput = "" Then 
        toUTF8 = szInput 
        Exit Function 
    End If 
    '开始转换 
     For x = 1 To Len(szInput) 
        '利用mid函数分拆GB编码文字 
        wch = Mid(szInput, x, 1) 
        '利用ascW函数返回每一个GB编码文字的Unicode字符代码 
        '注：asc函数返回的是ANSI 字符代码，注意区别 
        nAsc = AscW(wch) 
        If nAsc < 0 Then nAsc = nAsc + 65536 
     
        If (nAsc And &HFF80) = 0 Then 
            szRet = szRet & wch 
        Else 
            If (nAsc And &HF000) = 0 Then 
                uch = "%" & Hex(((nAsc \ 2 ^ 6)) Or &HC0) & Hex(nAsc And &H3F Or &H80) 
                szRet = szRet & uch 
            Else 
               'GB编码文字的Unicode字符代码在0800 - FFFF之间采用三字节模版 
                uch = "%" & Hex((nAsc \ 2 ^ 12) Or &HE0) & "%" & _ 
                            Hex((nAsc \ 2 ^ 6) And &H3F Or &H80) & "%" & _ 
                            Hex(nAsc And &H3F Or &H80) 
                szRet = szRet & uch 
            End If 
        End If 
    Next 
         
    toUTF8 = szRet 
End Function 

3、'GB转unicode---将GB编码文字转换为unicode编码文字 

function chinese2unicode(Str)  
  dim i  
  dim Str_one  
  dim Str_unicode  
  if(isnull(Str)) then 
     exit function 
  end if 
  for i=1 to len(Str)  
    Str_one=Mid(Str,i,1)  
    Str_unicode=Str_unicode&chr(38)  
    Str_unicode=Str_unicode&chr(35)  
    Str_unicode=Str_unicode&chr(120)  
    Str_unicode=Str_unicode& Hex(ascw(Str_one))  
    Str_unicode=Str_unicode&chr(59)  
  next  
  chinese2unicode=Str_unicode  
end function    

4、'URL解码 
Function URLDecode(enStr) 
dim deStr 
dim c,i,v 
deStr="" 
for i=1 to len(enStr) 
  c=Mid(enStr,i,1) 
  if c="%" then 
   v=eval("&h"+Mid(enStr,i+1,2)) 
   if v<128 then 
    deStr=deStr&chr(v) 
    i=i+2 
   else 
    if isvalidhex(mid(enstr,i,3)) then 
     if isvalidhex(mid(enstr,i+3,3)) then 
      v=eval("&h"+Mid(enStr,i+1,2)+Mid(enStr,i+4,2)) 
      deStr=deStr&chr(v) 
      i=i+5 
     else 
      v=eval("&h"+Mid(enStr,i+1,2)+cstr(hex(asc(Mid(enStr,i+3,1))))) 
      deStr=deStr&chr(v) 
      i=i+3  
     end if  
    else  
     destr=destr&c 
    end if 
   end if 
  else 
   if c="+" then 
    deStr=deStr&" " 
   else 
    deStr=deStr&c 
   end if 
  end if 
next 
URLDecode=deStr 
end function 

'判断是否为有效的十六进制代码 
function isvalidhex(str) 
dim c 
isvalidhex=true 
str=ucase(str) 
if len(str)<>3 then isvalidhex=false:exit function 
if left(str,1)<>"%" then isvalidhex=false:exit function 
  c=mid(str,2,1) 
if not (((c>="0" and (c<="9") or ((c>="A" and (c<="Z")) then isvalidhex=false:exit function 
  c=mid(str,3,1) 
if not (((c>="0" and (c<="9") or ((c>="A" and (c<="Z")) then isvalidhex=false:exit function 
end function 
%> 

GD输出汉字的函数的分析  

日期：2004年6月4日 作者：  

    很早以前找到一个把GB码转化为UTF-8的函数，配合一个GB到UNICODE的对照表（gb2312.txt），用于在GD中输出汉字。后来发现在欲输出的内容中含有西文字符时，会出现混乱。后来找到了修改后的代码，解决了问题。现将两个函数做一对比分析如下。 

首先，这是一个UNICODE到UTF-8编码转换的函数，这一部分修改前后没有变化： 
function u2utf8(＄c) 
{ 
for(＄i=0;＄i<count(＄c);＄i++) 
＄str=""; 
if (＄c < 0x80) { 
＄str.=＄c; 
} 
else if (＄c < 0x800) { 
＄str.=(0xC0 | ＄c>>6); 
＄str.=(0x80 | ＄c & 0x3F); 
} 
else if (＄c < 0x10000) { 
＄str.=(0xE0 | ＄c>>12); 
＄str.=(0x80 | ＄c>>6 & 0x3F); 
＄str.=(0x80 | ＄c & 0x3F); 
} 
else if (＄c < 0x200000) { 
＄str.=(0xF0 | ＄c>>18); 
＄str.=(0x80 | ＄c>>12 & 0x3F); 
＄str.=(0x80 | ＄c>>6 & 0x3F); 
＄str.=(0x80 | ＄c & 0x3F); 
} 
return ＄str; 
} 

这里完全是按照UTF-8编码的规则，通过判断字符属于不同的UNICODE编码段范围，进行不同的移位和位与操作，以转化为UTF-8编码。关于该规则可参考http://www.utf8.org/上的说明。  

这是修改前的GB转化为UTF-8编码的函数，其中调用了上面的u2utf8函数。 
function gb2utf8(＄gb)     /* Program writen by sadly www.phpx.com  */ 
{ 
if(!trim(＄gb)) 
return ＄gb; 
＄filename="gb2312.txt"; 
＄tmp=file(＄filename); 
＄codetable=array(); 
while(list(＄key,＄value)=each(＄tmp)) 
＄codetable[hexdec(substr(＄value,0,6))]=substr(＄value,7,6); 
＄utf8=""; 
while(＄gb) 
{ 
if (ord(substr(＄gb,0,1))>127) 
{ 
＄this=substr(＄gb,0,2); 
＄gb=substr(＄gb,2,strlen(＄gb)); 
＄utf8.=u2utf8(hexdec(＄codetable[hexdec(bin2hex(＄this))-0x8080])); 
} 
else 
{ 
＄gb=substr(＄gb,1,strlen(＄gb)); 
＄utf8.=u2utf8(substr(＄gb,0,1)); 
} 
} 

＄ret=""; 
for(＄i=0;＄i<strlen(＄utf8);＄i+=3) 
＄ret.=chr(substr(＄utf8,＄i,3)); 

return ＄ret; 
} 
函数中while循环部分，把汉字逐个按照“对照表”转化为UNICODE，再通过u2utf8函数转化为UTF-8。但从中可以看出，while循环结束后，又用一个for循环，把每三个字节合成了一个UTF-8字符（见http://www.utf8.org/上的规则说明，每个汉字的UTF-8编码为三字节），没有考虑到其中的西文字符（西文字符的UTF-8编码为一字节）。所以，如果欲输出的内容中不论是开始时出现西文字符，或是汉字当中穿插西文字符，转化为UTF-8后，都会被按照“每三个字节截取”的方式截开，导致乱码。  

以下是修改后的函数： 
function gb2utf8(＄gb)    /* Program writen by sadly   modified by agun */ 
{ 
if(!trim(＄gb)) 
return ＄gb; 
＄filename="gb2312.txt"; 
＄tmp=file(＄filename); 
＄codetable=array(); 
while(list(＄key,＄value)=each(＄tmp)) 
＄codetable[hexdec(substr(＄value,0,6))]=substr(＄value,7,6); 

＄ret=""; 
＄utf8=""; 
while(＄gb) 
{ 
if (ord(substr(＄gb,0,1))>127) 
{ 
＄this=substr(＄gb,0,2); 
＄gb=substr(＄gb,2,strlen(＄gb)); 
＄utf8=u2utf8(hexdec(＄codetable[hexdec(bin2hex(＄this))-0x8080])); 
for(＄i=0;＄i<strlen(＄utf8);＄i+=3) 
＄ret.=chr(substr(＄utf8,＄i,3)); 
} 
else 
{ 
＄ret.=substr(＄gb,0,1); 
＄gb=substr(＄gb,1,strlen(＄gb)); 
} 
} 
return ＄ret; 
} 

修改后的函数将 GB转化为UNICODE、UNICODE转化为UTF-8、几个字节合成一个UTF-8字符，这三个步骤在一个循环里完成，尤其是几个字节合成一个UTF-8字符这一步骤，放在判断了字符属于西文还是属于汉字的条件分支里，据此决定截取一个字节还是三个字节。于是结果正确了！

from:http://www.v6bbs.com/board/dis.asp?id=103445