CharacterEncoding

---

title: 字符编码 date: 2018-10-21 10:56:52 tags: categories: - 计算机基础

目录 start

1. 字符编码
   1. ASCII
   2. ANSI
   3. Unicode
      1. UTF
         1. UTF-8
         2. UTF-16
         3. UTF-32
2. 汉字编码发展史
3. Java中的编码

目录 end|2020-06-24 02:06|

---

字符编码

字符编码笔记：ASCII，Unicode 和 UTF-8 | 阮一峰的文章有哪些常见性错误

参考: Ansi,UTF8,Unicode,ASCII编码的区别 参考: 字符编码的前世今生

• 字符内码(charcter code)指的是用来代表字符的内码.读者在输入和存储文档时都要使用内码,内码分为
  • 单字节内码 -- Single-Byte character sets (SBCS), 也就是第一个字节 0-127
  • 双字节内码 -- Double-Byte character sets (DBCS), 也就是第二个字节 128-255

---

ASCII

ASCII (American Standard Code for Information Interchange) 美国信息交换标准代码 属于单字节内码 并等同于国际标准ISO/IEC 646

0-255 ascii 码表

1. 0-31 以及 127 是控制字符或通信专用字符 （其余为可显示字符）
2. 32～126(共95个)是字符(32是空格）
   • 其中48～57为0到9十个阿拉伯数字
   • 65～90为26个大写英文字母
   • 97～122号为26个小写英文字母
   • 其余为一些标点符号、运算符号等。

注意

• 在标准ASCII中，其最高位(b7)用作奇偶校验位。 Linux上 man ascii 就可以查看完整表
• 经过扩充后 ascii 可大于127 ASCII扩展字符

1. ascii 160 不间断空格 non-breaking space

---

ANSI

ANSI/ISO8859-1-1987 或称 Latin 1

这个编码就是 ascii 的扩展, 但是只是扩展了一个字节, 然后各个国家的编码又不一致(不同的代码页), 导致了十分混乱 至于简体中文编码GB2312，实际上它是 ANSI 的一个代码页 936

---

Unicode

unicode.org | wikipedia | unicode table

Unicode 是一个囊括了世界上所有字符的字符集，其中每一个字符都对应有唯一的编码值, 但是并不是一个已实现的编码方案, 不能直接使用
其实现有 UTF-8 UTF-16 UTF-32 ... 目前最新版本 11 已经包括 137,439 个字符

问题 直接看, 看不到的字符, 可能带来一些坑

1. 零宽间隔 U+200B
2. 零宽不折行空格 unicode: U+FEFF html: 

---

UTF

UTF: UCS Transformation Format, UCS: Unicode Character Set

它是将Unicode编码规则和计算机的实际编码对应起来的一个规则。现在流行的UTF有2种：UTF-8和UTF-16.

---

关于 BOM

• wiki: bom
• 知乎: 「带 BOM 的 UTF-8」和「无 BOM 的 UTF-8」有什么区别？

1. 找出含BOM的文件 grep -r $'\xEF\xBB\xBF'
2. 通过 vim 进行转换, 去除 :set nobomb 加上 BOM :set bomb

UTF-8

UTF-8 是一种Unicode的实现方式, 是一种变长编码方案(1-6 字节), 在表示中文时是采用 三字节 四字节 的方式, 已成为WEB领域事实标准编码

占3个字节的：基本等同于GBK，含21000多个汉字 占4个字节的：中日韩超大字符集里面的汉字，有5万多个

注意： 依据 2003年的标准 UTF8 仅使用 1-4 字节长度

依据首字节的最高位表示

• 1 字节 0xxxxxxx
• 2 字节 110xxxxx 10xxxxxx
• 3 字节 1110xxxx 10xxxxxx 10xxxxxx
• 4 字节 11110xxx 10xxxxxx 10xxxxxx 10xxxxxx
• 5 字节 111110xx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx
• 6 字节 1111110x 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx

参考: UTF-8编码规则（转）

UTF-16

• CESU-8

UTF-32

每个字符4字节

---

汉字编码发展史

最早是制定的 GB2312-80 兼容 ASCII 采用的是双字节编码方式, 其中一共编码了6763个常用简体汉字, Big5，是台湾使用的编码标准，编码了台湾使用的繁体汉字，大概有8千多个。 HKSCS 是中国香港使用的编码标准，字体也是繁体，但跟 Big5 有所不同。
后来，由于各方面的原因，国际上又制定了针对中文的统一字符集 GBK 和 GB18030 ，其中GBK已经在Windows、Linux等多种操作系统中被实现。
GBK兼容GB2312，并增加了大量不常用汉字，还加入了几乎所有的Big5中的繁体汉字。但是GBK中的繁体汉字和Big5中的几乎不兼容。

GB2312 GBK GB18030 都属于双字节字符集 (DBCS)

字体编辑用中日韩汉字Unicode编码表
参考: Unicode中文和特殊字符的编码范围
参考: 中文标点符号具体unicode码 汉字 Unicode 编码范围

类别	字数	Unicode 范围
基本汉字	20902字	4E00-9FA5
基本汉字补充	74字	9FA6-9FEF
扩展A	6582字	3400-4DB5
扩展B	42711字	20000-2A6D6
扩展C	4149字	2A700-2B734
扩展D	222字	2B740-2B81D
扩展E	5762字	2B820-2CEA1
扩展F	7473字	2CEB0-2EBE0
康熙部首	214字	2F00-2FD5
部首扩展	115字	2E80-2EF3
兼容汉字	477字	F900-FAD9
兼容扩展	542字	2F800-2FA1D
PUA(GBK)部件	81字	E815-E86F
部件扩展	452字	E400-E5E8
PUA增补	207字	E600-E6CF
汉字笔画	36字	31C0-31E3
汉字结构	12字	2FF0-2FFB
汉语注音	43字	3105-312F
注音扩展	22字	31A0-31BA
〇	1字	3007

Java中的编码

字符、编码和Java中的编码