字符编码

字符集(Charcater Set)与字符编码(Encoding)

字符集（Charcater Set 或 Charset）：是一个系统支持的所有抽象字符的集合，也就是一系列字符的集合。字符是各种文字和符号的总称，包括各国家文字、标点符号、图形符号、数字等。常见的字符集有： ASCII 字符集、GB2312 字符集(主要用于处理中文汉字)、GBK 字符集(主要用于处理中文汉字)、Unicode 字符集等。

 

字符编码（Character Encoding）：是一套法则，使用该法则能够对自然语言的字符的一个字符集（如字母表或音节表），与计算机能识别的二进制数字进行配对。即它能在符号集合与数字系统之间建立对应关系，是信息处理的一项基本技术。通常人们用符号集合（一般情况下就是文字）来表达信息，而计算机的信息处理系统则是以二进制的数字来存储和处理信息的。字符编码就是将符号转换为计算机能识别的二进制编码。

一般一个字符集等同于一个编码方式，如 ASCII、ISO 8859-1、GB2312、 GBK 等等都是如此。

一个字符集上也可以有多种编码方式，例如Unicode字符集上有 UTF-8、UTF-16、UTF-32 等编码方式。

 

ASCII 字符集和 ASCII 编码

（American Standard Code for Information Interchange，美国信息互换标准代码）

计算机内部，所有信息最终都是一个二进制值。每一个二进制位（bit）有0和1两种状态，因此八个二进制位就可以组合出256种状态，这被称为一个字节（byte）。也就是说，一个字节一共可以用来表示256种不同的状态，每一个状态对应一个符号，就是256个符号，从00000000到11111111。

上个世纪60年代，美国制定了一套字符编码，对英语字符与二进制位之间的关系，做了统一规定。这被称为 ASCII 码，一直沿用至今。

ASCII 码一共规定了128个字符的编码，比如空格SPACE是32（二进制00100000），大写的字母A是65（二进制01000001）。这128个符号（包括32个不能打印出来的控制符号），只占用了一个字节的后面7位，最前面的一位统一规定为0。

 

Bin(二进制)	Oct(八进制)	Dec(十进制)	Hex(十六进制)	缩写/字符	解释
0000 0000	00	0	0x00	NUL(null)	空字符
0000 0001	01	1	0x01	SOH(start of headline)	标题开始
0000 0010	02	2	0x02	STX (start of text)	正文开始
0000 0011	03	3	0x03	ETX (end of text)	正文结束
0000 0100	04	4	0x04	EOT (end of transmission)	传输结束
0000 0101	05	5	0x05	ENQ (enquiry)	请求
0000 0110	06	6	0x06	ACK (acknowledge)	收到通知
0000 0111	07	7	0x07	BEL (bell)	响铃
0000 1000	010	8	0x08	BS (backspace)	退格
0000 1001	011	9	0x09	HT (horizontal tab)	水平制表符
0000 1010	012	10	0x0A	LF (NL line feed, new line)	换行键
0000 1011	013	11	0x0B	VT (vertical tab)	垂直制表符
0000 1100	014	12	0x0C	FF (NP form feed, new page)	换页键
0000 1101	015	13	0x0D	CR (carriage return)	回车键
0000 1110	016	14	0x0E	SO (shift out)	不用切换
0000 1111	017	15	0x0F	SI (shift in)	启用切换
0001 0000	020	16	0x10	DLE (data link escape)	数据链路转义
0001 0001	021	17	0x11	DC1 (device control 1)	设备控制1
0001 0010	022	18	0x12	DC2 (device control 2)	设备控制2
0001 0011	023	19	0x13	DC3 (device control 3)	设备控制3
0001 0100	024	20	0x14	DC4 (device control 4)	设备控制4
0001 0101	025	21	0x15	NAK (negative acknowledge)	拒绝接收
0001 0110	026	22	0x16	SYN (synchronous idle)	同步空闲
0001 0111	027	23	0x17	ETB (end of trans. block)	结束传输块
0001 1000	030	24	0x18	CAN (cancel)	取消
0001 1001	031	25	0x19	EM (end of medium)	媒介结束
0001 1010	032	26	0x1A	SUB (substitute)	代替
0001 1011	033	27	0x1B	ESC (escape)	换码(溢出)
0001 1100	034	28	0x1C	FS (file separator)	文件分隔符
0001 1101	035	29	0x1D	GS (group separator)	分组符
0001 1110	036	30	0x1E	RS (record separator)	记录分隔符
0001 1111	037	31	0x1F	US (unit separator)	单元分隔符
0010 0000	040	32	0x20	(space)	空格
0010 0001	041	33	0x21	!	叹号
0010 0010	042	34	0x22	"	双引号
0010 0011	043	35	0x23	#	井号
0010 0100	044	36	0x24	$	美元符
0010 0101	045	37	0x25	%	百分号
0010 0110	046	38	0x26	&	和号
0010 0111	047	39	0x27	'	闭单引号
0010 1000	050	40	0x28	(	开括号
0010 1001	051	41	0x29	)	闭括号
0010 1010	052	42	0x2A	*	星号
0010 1011	053	43	0x2B	+	加号
0010 1100	054	44	0x2C	,	逗号
0010 1101	055	45	0x2D	-	减号/破折号
0010 1110	056	46	0x2E	.	句号
0010 1111	057	47	0x2F	/	斜杠
0011 0000	060	48	0x30	0	字符0
0011 0001	061	49	0x31	1	字符1
0011 0010	062	50	0x32	2	字符2
0011 0011	063	51	0x33	3	字符3
0011 0100	064	52	0x34	4	字符4
0011 0101	065	53	0x35	5	字符5
0011 0110	066	54	0x36	6	字符6
0011 0111	067	55	0x37	7	字符7
0011 1000	070	56	0x38	8	字符8
0011 1001	071	57	0x39	9	字符9
0011 1010	072	58	0x3A	:	冒号
0011 1011	073	59	0x3B	;	分号
0011 1100	074	60	0x3C	<	小于
0011 1101	075	61	0x3D	=	等号
0011 1110	076	62	0x3E	>	大于
0011 1111	077	63	0x3F	?	问号
0100 0000	0100	64	0x40	@	电子邮件符号
0100 0001	0101	65	0x41	A	大写字母A
0100 0010	0102	66	0x42	B	大写字母B
0100 0011	0103	67	0x43	C	大写字母C
0100 0100	0104	68	0x44	D	大写字母D
0100 0101	0105	69	0x45	E	大写字母E
0100 0110	0106	70	0x46	F	大写字母F
0100 0111	0107	71	0x47	G	大写字母G
0100 1000	0110	72	0x48	H	大写字母H
0100 1001	0111	73	0x49	I	大写字母I
01001010	0112	74	0x4A	J	大写字母J
0100 1011	0113	75	0x4B	K	大写字母K
0100 1100	0114	76	0x4C	L	大写字母L
0100 1101	0115	77	0x4D	M	大写字母M
0100 1110	0116	78	0x4E	N	大写字母N
0100 1111	0117	79	0x4F	O	大写字母O
0101 0000	0120	80	0x50	P	大写字母P
0101 0001	0121	81	0x51	Q	大写字母Q
0101 0010	0122	82	0x52	R	大写字母R
0101 0011	0123	83	0x53	S	大写字母S
0101 0100	0124	84	0x54	T	大写字母T
0101 0101	0125	85	0x55	U	大写字母U
0101 0110	0126	86	0x56	V	大写字母V
0101 0111	0127	87	0x57	W	大写字母W
0101 1000	0130	88	0x58	X	大写字母X
0101 1001	0131	89	0x59	Y	大写字母Y
0101 1010	0132	90	0x5A	Z	大写字母Z
0101 1011	0133	91	0x5B	[	开方括号
0101 1100	0134	92	0x5C	\	反斜杠
0101 1101	0135	93	0x5D	]	闭方括号
0101 1110	0136	94	0x5E	^	脱字符
0101 1111	0137	95	0x5F	_	下划线
0110 0000	0140	96	0x60	`	开单引号
0110 0001	0141	97	0x61	a	小写字母a
0110 0010	0142	98	0x62	b	小写字母b
0110 0011	0143	99	0x63	c	小写字母c
0110 0100	0144	100	0x64	d	小写字母d
0110 0101	0145	101	0x65	e	小写字母e
0110 0110	0146	102	0x66	f	小写字母f
0110 0111	0147	103	0x67	g	小写字母g
0110 1000	0150	104	0x68	h	小写字母h
0110 1001	0151	105	0x69	i	小写字母i
0110 1010	0152	106	0x6A	j	小写字母j
0110 1011	0153	107	0x6B	k	小写字母k
0110 1100	0154	108	0x6C	l	小写字母l
0110 1101	0155	109	0x6D	m	小写字母m
0110 1110	0156	110	0x6E	n	小写字母n
0110 1111	0157	111	0x6F	o	小写字母o
0111 0000	0160	112	0x70	p	小写字母p
0111 0001	0161	113	0x71	q	小写字母q
0111 0010	0162	114	0x72	r	小写字母r
0111 0011	0163	115	0x73	s	小写字母s
0111 0100	0164	116	0x74	t	小写字母t
0111 0101	0165	117	0x75	u	小写字母u
0111 0110	0166	118	0x76	v	小写字母v
0111 0111	0167	119	0x77	w	小写字母w
0111 1000	0170	120	0x78	x	小写字母x
0111 1001	0171	121	0x79	y	小写字母y
0111 1010	0172	122	0x7A	z	小写字母z
0111 1011	0173	123	0x7B	{	开花括号
0111 1100	0174	124	0x7C	|	垂线
0111 1101	0175	125	0x7D	}	闭花括号
0111 1110	0176	126	0x7E	~	波浪号
0111 1111	0177	127	0x7F	DEL (delete)	删除

 

ANSI 编码 （本地化）

ANSI全称（American National Standard Institite）美国国家标准学会（美国的一个非营利组织），首先ANSI不是指的一种特定的编码，而是不同地区扩展编码方式的统称，各个国家和地区所独立制定的兼容ASCII但互相不兼容的字符编码，微软统称为ANSI编码

 

英语用128个符号编码就够了，但是用来表示其他语言，128个符号是不够的。比如，在法语中，字母上方有注音符号，它就无法用 ASCII 码表示。于是，一些欧洲国家就决定，利用字节中闲置的最高位编入新的符号。比如，法语中的é的编码为130（二进制10000010）。这样一来，这些欧洲国家使用的编码体系，可以表示最多256个符号。

为使计算机支持更多语言，通常使用 0x80~0xFF 范围的 2 个字节来表示 1 个字符。比如：汉字 ‘中’ 在中文操作系统中，使用 [0xD6,0xD0] 这两个字节存储。 不同的国家和地区制定了不同的标准，由此产生了 GB2312, BIG5, JIS 等各自的编码标准。这些使用 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。 不同 ANSI 编码之间互不兼容，当信息在国际间交流时，无法将属于两种语言的文字，存储在同一段 ANSI 编码的文本中。

 

ISO 8859-1

ISO 8859-1，正式编号为ISO/IEC 8859-1:1998，又称Latin-1或“西欧语言”，是国际标准化组织内ISO/IEC 8859的第一个8位字符集，它以ASCII为基础。（ ISO 8859-1 is a single-byte encoding that can represent the first 256 Unicode characters.）

Big5

Big5是使用繁体中文社群中最常用的电脑汉字字符集标准，共收录13,060个汉字

GB/T 2312

GB/T 2312是中华人民共和国国家标准简体中文字符集，全称《信息交换用汉字编码字符集·基本集》，通常简称GB，由中国国家标准总局发布。GB/T 2312编码通行于中国大陆；新加坡等地也采用此编码。中国大陆几乎所有的中文系统和国际化的软件都支持GB/T 2312。GB类汉字编码为双字节编码，对汉字进行了“分区”处理。

最早的GB编码方案是GB2312，收录的汉字不足一万个，基本能满足日常使用需求，但不包含一些生僻字，因此后来又在GB2312基础上进行了扩展。

在GB2312基础上扩展的编码方案称之为GBK(K为“扩展”的拼音首字母)，后来又在GBK的基础上进一步扩展，称之为GB18030，加入了一些国内少数民族的文字，一些生僻字被编到了4个字节。

包括GB2312、GBK、GB18030在内的GB系列编码方案每扩展一次都完全保留之前版本的编码，所以每个新版本都向下兼容。

这里要指出的是，虽然都用多个字节表示一个字符，但是GB类的汉字编码与后文的Unicode编码方案的UTF-8、UTF-16、UTF-32等字符编码方式CEF是毫无关系的。

编码

GB2312编码为了避免与ASCII字符编码(0~127)相冲突，规定表示一个汉字的编码(即汉字内码)的字节其值必须大于127(即字节的最高位为1)，并且必须是两个大于127的字节连在一起来共同表示一个汉字(GB2312为双字节编码)，前一字节称为高字节，后一字节称为低字节；而一个字节的值若小于等于127(即字节的最高位为0)，自然是仍表示一个原来的ASCII字符(ASCII为单字节编码)。

因此，可以认为GB2312是对ASCII的中文扩展(即GB2312完全直接兼容ASCII)，正如EASCII是对ASCII的欧洲文字扩展一样。

目前世界上除ASCII之外的其它通行的字符编码方案，基本上都兼容ASCII，但相互之间除了兼容ASCII字符的部分之外却并不兼容。

整个GB2312字符集分成94个区，每区有94个位，每个区位上只有一个字符，即每区含有94个汉字或符号，用所在的区和位来对字符进行编码(实际上就是码点值、码点编号、字符编号)，因此称为区位码(或许叫“区位号”更为恰当)。换言之，GB2312将包括汉字在内的所有字符编入一个94*94的二维表，行就是“区”、列就是“位”，每个字符由区、位唯一定位，其对应的区、位编号合并就是区位码。

 

GB2312字符集中：

1）01~09区(682个)：特殊符号、数字、英文字符、制表符等，包括拉丁字母、希腊字母、日文平假名及片假名字母、俄语西里尔字母等在内的682个全角字符；

2）10~15区：空区，留待扩展；

3）16~55区(3755个)：常用汉字(也称一级汉字)，按拼音排序；

4）56~87区(3008个)：非常用汉字(也称二级汉字)，按部首/笔画排序；

5）88~94区：空区，留待扩展。

 

 

比如“万”字在45区82位，所以“万”字的区位码是：45 82（注意，GB类汉字编码为双字节编码，因此，45相当于高位字节，82相当于低位字节）。由于ASCII码只用了一个字节中的低7位，所以，这个首位(最高位)上的“1”就可以作为识别汉字编码的标志，计算机在处理到首位是“1”的编码时就把它理解为汉字，在处理到首位是“0”的编码时就把它理解为ASCII字符。

标码中是分别将区位码中的“区”和“位”各自加上32(20H)的（避免与ASCII字符中0~32的不可显示字符和空格字符相冲突），因为GB2312是DBCS双字节字符集，因此国标码属于双字节码。

这样我们可以算出“万”字的国标码十进制为：(45+32，82+32) = (77，114)，十六进制为：(4D，72)，二进制为：(0100 1101，0111 0010)。

为避免与ASCII码冲突，规定国标码中的每个字节的最高位都从0换成1，即相当于每个字节都再加上128(十六进制为80，即80H；二进制为1000 0000)

 

 77 + 128 = 205(二进制为1100 1101，十六进制为CD)
 ​
 114+ 128 = 242(二进制为1111 0010，十六进制为F2)

 

测试：

在记事本中输入“万”，编码方式选择”ANSI“，使用UltraEdit十六进制查看文件内容

 

 

UNICODE（国际化）

为了使国际间信息交流更加方便，国际组织制定了 UNICODE 字符集，为各种语言中的每一个字符设定了统一并且唯一的数字编号，以满足跨语言、跨平台进行文本转换、处理的要求。UNICODE 常见的有三种编码方式:UTF-8(1 个字节表示)、UTF-16((2 个字节表示))、UTF-32(4 个字节表示)。

 

Unicode 是一个很大的集合，现在的规模可以容纳100多万个符号。每个符号的编码都不一样，比如，U+0639表示阿拉伯字母Ain，U+0041表示英语的大写字母A，U+4E25表示汉字严。具体的符号对应表，可以查询汉字对应表。

 

但这里就有两个严重的问题，第一个问题是，如何才能区别 Unicode 和 ASCII ？计算机怎么知道三个字节表示一个符号，而不是分别表示三个符号呢？第二个问题是，我们已经知道，英文字母只用一个字节表示就够了，如果 Unicode 统一规定，每个符号用三个或四个字节表示，那么每个英文字母前都必然有二到三个字节是0，这对于存储来说是极大的浪费，文本文件的大小会因此大出二三倍，这是无法接受的。

 

utf-8

UTF-8全称：8bit Unicode Transformation Format，8比特Unicode通用转换格式。UTF-8是一种针对Unicode的可变长度字符编码。可以表示Unicode标准中的任何一个字符，且其编码中的第一个字节仍然与ASCII兼容。

UTF-8是一种变长的编码方式，可以使用1~6个字节对Unicode字符集进行编码，编码规则如下：

1. 对于单字节的符号, 字节的第一位设为0, 后面7位为这个符号的unicode码. 因此对于 英语字母, UTF-8编码和ASCII码是相同的.

2. 对于n字节的符号(n>1), 第一个字节的前n位都设为1, 第n+1位设为0, 后面字节的前 两位一律设为10. 剩下的没有提及的二进制位, 全部为这个符号的unicode码.

n	Unicode符号范围	UTF-8编码方式
1	0000 0000 - 0000 007F	0xxxxxxx
2	0000 0080 - 0000 07FF	110xxxxx 10xxxxxx
3	0000 0800 - 0000 FFFF	1110xxxx 10xxxxxx 10xxxxxx
4	0001 0000 - 0010 FFFF	11110xxx 10xxxxxx 10xxxxxx 10xxxxxx
5	0020 0000 - 03FF FFFF	111110xx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx
6	0400 0000 - 7FFF FFFF	1111110x 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx

注：早先的规定是，utf-8可以到6个字节。但是，这已经废除了，目前规定是只支持4个字节，大于U+001FFFFF的符号utf-8不再支持

解读 UTF-8 编码非常简单。如果一个字节的第一位是0，则这个字节单独就是一个字符；如果第一位是1，则连续有多少个1，就表示当前字符占用多少个字节。

 

优点

1. 支持多种语言，如中文简体，中文繁体，英语等外国语种

2. 大多数的编程语言都支持UTF8，如C++，python,java

3. 完全兼容ASCII编码

缺点

1. UTF-8 使用变长的编码方式，很难确定字符串的长度，如“你好world”,使用strlen函数计算的字符串长度并不是7

2. UTF8使用变长的编码方式，在索引查找等操作的时间复杂度更高（每个字符所占的字节数不相同）.

编码

中文编码： 你 好 世 界 unicode： 4F60 597D 4E16 754C

"你"占三个字节：1110xxxx 10xxxxxx 10xxxxxx 4F60：0100 1111 0110 0000 utf-8：11100100 10111101 10100000 ->E4 BD A0

"好"占三个字节：1110xxxx 10xxxxxx 10xxxxxx 597D：0101 1001 0111 1101 utf-8：11100101 10100101 10111101 ->E5 A5 BD

 

解码

1. 将十六进制转为二进制

2. 根据二进制前面“1”的数量的确定字节数

3. 取消二进制的前缀，将剩下的bit合成新的二进制数据

4. 将新的二进制数据转为十六进制，查找unicode码表确定对应字符

utf-16

Unicode字符集目前定义了包括1个基本平面BMP和16个增补平面SP在内的共17个平面。

每个平面的码点数量为2^16=65536个，因此17个平面的码点总数为共65536 X 17=1114112个。其中，基本平面码点为65536个(码点编号范围为0x0000~0xFFFF)，增补平面码点为1114112-65536=65536*16=1048576个(码点编号范围为0x10000~0x10FFFF)，基本平面所包含的字符（英文，常用的简体中文）一般可以满足我们的需要。

遇到特殊字符怎么办?

我们无法用16bits表示17个平面的所有字符,于是Unicode提出代理机制。具体而言，就是为了能以16bits编码17个平面的所有字符，Unicode设计引入了UTF-16编码方式，并且通过代理机制实现了扩展。

Unicode字符集基本平面BMP中的字符是直接映射关系，即这部分字符的字符编号与字符编码是等同的。

但Unicode字符集增补平面中的字符却不是直接映射关系，而是必须通过代理机制这一编码算法的转换，亦即这部分字符的字符编号与字符编码不是等同的。

基本平面内有一块特殊区域，为代理区，使用这块区域中的16bits来表示一个增补平面码点，这两个用来表示一个增补平面码点的特殊16位码元被称之为代理对(Surrogate Pair)。

UTF-16中，大部分汉字采用两个字节编码，少量不常用汉字采用四个字节编码。

UTF-16一方面使用变长码元序列的编码方式，每个字符编码为16位或32位，相较于定长码元序列的UTF-32算法更复杂(甚至比同样是变长码元序列的UTF-8也更为复杂，因为引入了独特的代理对这样的代理机制)；另一方面仍然占用过多字节，比如ASCII字符也同样需要占用两个字节，相较于UTF-8更浪费空间和带宽。

 

基本平面中的代理对编码为增补平面字符的码元序列的具体算法如下：

1） 增补平面中的码点值(0x10000~0x10FFFF)减去0x10000可得到20位长的比特组(范围为0x00000~0xFFFFF)

2）将得到的20位长的比特组分拆为两部分：高位10比特和低位10比特；

3）20位长的比特组中的高位10比特(值的范围为0x000~0x3FF)加上0xD800，得到第一个代理码元即引导代理(值的范围是0xD800~0xDBFF)；

4）20位长的比特组中的低位10比特(值范围也是0x000~0x3FF)加上0xDC00，得到第二个代理码元即尾随代理(值的范围是0xDC00~0xDFFF)；

5）将引导代理与尾随代理按前后顺序组合在一起成为“代理对”，就得到了增补平面字符的码元序列。

 

优点

1. 所有的基本平面字符（常用中英文）都用两个字节表示

2. 索引计算相比utf8编码更快，性能更好.

缺点

当使用UTF16只表示ASCII字符会造成空间的浪费，一个ASCII字符也是有两个字节表示.

编码

 

例子1：

你好,世界（基本平面字符）

U+00 00 4f 60

U+00 00 59 7d

U+00 00 00 2c

U+00 00 4e 16

U+00 00 75 4c

 

例子2（特殊字符）

对汉字“𤭢”进行UTF16编码

1. 查Unicode码表，确定该汉字的表示，为“U+24B62”

    https://www.unicode.org/cgi-bin/GetUnihanData.pl?codepoint=%F0%A4%AD%A2

    

2. 编码超过U+10000，减去0x10000得到14B62

3. 转化14B62为二进制

   HEXADECIMAL	BINARY
   1	0001
   4	0100
   B	1011
   6	0110
   2	0010

4. 将20bits分为两部分，即高位代理（0001010010）和低位代理（1101100010）

5. 高位代理加上“0xD800”，得到D852

    D800 : 1101 1000 0000 0000
    High : 0000 0000 0101 0010
         = 1101 1000 0101 0010
         = D852

6. 低位代理加上“0xDC00”，得到DF62

    DC00 : 1101 1100 0000 0000
    low  : 0000 0011 0110 0010
         = 1101 1111 0110 0010
         = DF62

7. 得到最终UTF16编码为D852 DF62

解码

例子1（基本平面）：

U+00 00 4f 60============>你

U+00 00 597d ============> 好

U+00 00 00 2c ============>，

U+00 00 4e 16 ============>世

U+00 00 75 4c============>界

例子2（特殊字符）：

对\uD852\uDF62进行解码

1. 将其转化为二进制

 D852 : 1101 1000 0101 0010
 DF62 : 1101 1111 0110 0010

2. 高字节（D852）减去0XD800得到高位代理，然后乘上0x0400，得到“0x14800”

 D852 : 1101 1000 0101 0010
 D800 : 1101 1000 0000 0000
      = 0000 0000 0101 0010
      = 52

3. 低字节减去0xDC00得到低位代理

 DF62 : 1101 1111 0110 0010
 DC00 : 1101 1100 0000 0000
      = 0000 0011 0110 0010
      = 362

4. 将两个值加上 (0x14800 + 0x362)并且加上0x10000得到最终编码

 0x14800 : 0001 0100 1000 0000 0000
 0x362   : 0000 0000 0011 0110 0010
 0x10000 : 0001 0000 0000 0000 0000
         = 0010 0100 1011 0110 0010
         = 24B62

最终编码为U+24B62

 

utf-32

UTF-32在UTF目前常用的三种编码方式(UTF-8、UTF-16、UTF-32)中最为简单的一种编码方式。UTF-32编码方式不使用任何编码算法，将每个Unicode字符码点值直接表示为一个32bits的序列（一一对应），因此，目前UTF-32是一种固定宽度的Unicode字符编码方式。

由于UTF-32在三大UTF编码方式中，既不是最早推出的编码方式(最早推出的是UTF-16)，也不是最优设计的编码方式(公认为最优设计的是UTF-8)，因此在实践中使用得最少，目前几乎已处于淘汰状态。

 

优点

和unicode码表一一对应，同时为固定长度的编码，索引查找操作消耗的计算机少，时间复杂度为常数级

缺点

浪费空间

编码：

没有编码计算，直接映射即可

例子：

你好,世界

U+00 00 4f 60

U+00 00 59 7d

U+00 00 00 2c

U+00 00 4e 16

U+00 00 75 4c

解码：

不需要解码计算，直接映射即可

例子：

U+00 00 4f 60============>你

U+00 00 597d ============> 好

U+00 00 00 2c ============>，

U+00 00 4e 16 ============>世

U+00 00 75 4c============>界

 

UCS编码

在建立世界统一的字符编码时，有两个机构，一个为国际标准化组织（ISO），制定了一份“通用字符集”（Universal Character Set，简称UCS），并最终制定了ISO 10646标准，一个为统一码联盟，开发了Unicode标准（The Unicode Standard），它们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，不过由于Unicode这一名字比较好记，因而它使用更为广泛。

UCS-4

ISO 10646标准为“通用字符集”（UCS）定义了一种31位的编码形式（即UCS-4），其编码固定占用4个字节，编码空间为0x00000000~0x7FFFFFFF，所以UTF-32和UCS4能表示的字符是相同的。

UCS-2

ISO 10646标准为“通用字符集”（UCS）定义了一种16位的编码形式（即UCS-2），其编码固定占用2个字节，它包含65536个编码空间，UTF-16可看成是UCS-2的父集。在没有辅助平面字符（surrogate code points）前，UTF-16与UCS-2所指的是同一的意思。但当引入辅助平面字符后，就称为UTF-16了。现在若有软件声称自己支持UCS-2编码，那其实是暗指它不能支持在UTF-16中超过2字节的字集。对于小于0x10000的UCS码，UTF-16编码就等于UCS码。

字节序大端小端

小端序Little-Endian

就是低位字节(即小端字节、尾端字节)存放在内存的低地址，而高位字节(即大端字节、头端字节)存放在内存的高地址。

这是最符合人的直觉思维的字节序（但却不符合人的读写习惯），因为从人的第一观感来说，低位字节的值小，对应放在内存地址也小的地方，也即内存中的低位地址；反之，高位字节的值大，对应放在内存地址大的地方，也即内存中的高位地址。

大端序Big-Endian

就是高位字节(即大端字节、头端字节)存放在内存的低地址，低位字节(即小端字节、尾端字节)存放在内存的高地址。

这是最符合人平时的读写习惯的字节序（但却不符合人的直觉思维），因为不用像在Little-EndIan中还需考虑字节的高位、低位与内存的高地址、低地址的对应关系，只需把数值按照人通常的书写习惯，从高位到低位的顺序直接在内存中从左到右或从上到下(下图中就是从上到下)按照由低到高的内存地址，一个字节一个字节地填充进去。

 

Bytes	Encoding Form
00 00 FE FF	UTF-32, big-endian
FF FE 00 00	UTF-32, little-endian
FE FF	UTF-16, big-endian
FF FE	UTF-16, little-endian
EF BB BF	UTF-8

 

utf8Bom

为什么有utf8Bom

一般软件确定文本文件编码方式的方法有如下三种：

• 检测文件头标识；

• 提示用户手动选择；

• 根据一定的规则自行推断。

有Bom表示编码方式为utf-8

当你在简体中文版的Windows记事本里新建一个文件，输入“联通”两个汉字之后，保存为一个txt文件。然后关闭，再次打开该txt文件后，你会发现刚才输入并保存的“联通”两个汉字竟然莫名其妙地消失了，取而代之的是几个乱码。

 

在这种编码方式下，该文本文件仅仅保存了“联通”两个汉字的GB内码的四个字节，如下所示(左边为十六进制，右边为二进制)。

　　c1 　1100 0001
　　aa 　1010 1010
　　cd 　1100 1101
　　a8 　1010 1000

当用记事本再次打开该文本文件时，由于没有BOM，记事本又没有提供显式地提示用户手动选择编码方式的功能，于是就只能隐式地按其推断规则自行推断，推断的结果就是被误认为了这是一个UTF-8编码方式的文件。

为什么会推断错误呢？又为什么会将其编码方式错误地推断为UTF-8呢？

注意，“联通”两个汉字的GB内码，其第一第二个字节的起始部分分别是“110”和“10”，第三第四个字节的起始部分也分别是“110”和“10”，这刚好符合了UTF-8编码方式里的两码元序列的编码算法规则.

让我们按照UTF-8的编码算法规则，将第一个字节的前缀码110去掉，得到“00001”，将第二个字节的前缀码10去掉，得到“101010”，将两者组合在一起，得到“00001101010”，再去掉多余的前导的0，就得到了“0110 1010"(十六进制为6A)，这正好是Unicode字符集里的U+006A，也就是小写字母“j”的码点值。第二个字母类似。

Windows里的软件在采用非ANSI编码时，即便对于根本不存在字节序问题的UTF-8编码默认也会添加BOM

主要因为Windows系统有大量普通用户使用，在必须兼容传统ANSI编码的情况下，从用户体验角度考虑而没有采用显式地要求用户手动选择字符编码方式的做法，因此特别依赖于通过BOM来防止隐式地自行推断字符编码方式而出错。

 

VS中Unicode字符集和多字节字符集区别

 

 

测试

1 查看英文和汉字的十六进制编码

2 C++程序输出中文与英文

查看cmd窗口的编码方式

点击cmd窗口左上角，点击属性

改变cmd窗口的编码方式

1. 在main函数中增加语句：system("chcp 65001");

2. 手动启动一个控制台程序，启动之后设置编码为utf8

   命令：chcp 65001

    

VS设置默认字符串编码为utf-8

3 QString编码转化

QString基础单元是QChar，储存的是utf-16字符。即，内部统一编码为unicode

1. fromutf8()

2. toutf8()

3. converttounicode函数

   https://woboq.com/blog/utf-8-processing-using-simd.html

    

4 文件写入

 

5 json序列化粗体

 

参考资料

https://sf-zhou.github.io/programming/chinese_encoding.html

https://wiki.jikexueyuan.com/project/visual-studio/14.html

https://convertcodes.com/utf16-encode-decode-convert-string/

https://sf-zhou.github.io/programming/chinese_unicode_encoding_table.htm

http://www.unicode.org/cgi-bin/GetUnihanData.pl?codepoint=%E4%BD%A0

https://woboq.com/blog/utf-8-processing-using-simd.html

http://tools.jb51.net/table/gb2312

http://www.herongyang.com/gb2312_gb/GB2312-to-Unicode-Row-45-CDA1-CDFE.html