中文字符编码UNICODE、GBK等资料整理

龙之谷 · 发表于 2016-1-21 22:07:57

对GBK、UNICODE之间关系和区别含糊不清，这两天看了一些网络资料，顺便整理下，加深理解，便于以后查阅。本打算在楼主位一下放上来的，但这些偏理论、文字性的放在一起着实不利于查看，所以把本来在楼主层简单整理的资料重新拷贝到word分楼层展开。

先把参考/相关链接贴一下吧：
【1】http://www.cnblogs.com/finallyli ... /05/10/3071023.html（主要参考内容）
【2】http://baike.haosou.com/doc/5610241-5822850.html
【3】http://zhidao.baidu.com/link?url ... xOJ_CJicY1LCfioiyHi
【4】http://zhidao.baidu.com/link?url ... xdBvRf_Inyr8QipW0K_
【5】http://www.openedv.com/posts/list/25912.htm

龙之谷 · 发表于 2016-1-21 22:24:36

本帖最后由龙之谷于 2016-1-21 22:48 编辑

ASCII、GB2312/BIG5、GBK、GB18030

1.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。（我国）计算机内码进化的几个阶段：

①早期的计算机使用7位的ASCII编码。

②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。

③GB2312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。

④2000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。

2.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。

3.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。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。

4.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bigendian，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。

bs1234 · 发表于 2016-1-21 22:26:33

支持一下

龙之谷 · 发表于 2016-1-21 22:32:23

1.Unicode码：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。

2.Unicode历史来源：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ISO 10646-3:2003。

3.兼容性：Unicode可以容纳全世界所有语言文字，而不是兼容所有文字编码，恰恰相反，从ASCII、GB2312、GBK到GB18030的编码方法是向下兼容的，而Unicode只与ASCI I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。

4.内码和code page：目前Windows的内核已经采用Unicode编码，这样在内核上可以支持全世界所有的语言文字。但是由于现有的大量程序和文档都采用了某种特定语言的编码，例如GBK，Windows不可能不支持现有的编码，而全部改用Unicode。Windows使用代码页(code page)来适应各个国家和地区。

code page可以被理解为前面提到的内码。GBK对应的code page是CP936。微软也为GB18030定义了code page：CP54936。但是由于GB18030有一部分4字节编码，而Windows的代码页只支持单字节和双字节编码，所以这个code page是无法真正使用的。

5.我们一般使用的电脑都是GBK/GB码，液晶也一般都只支持GBK码的汉字显示。所以对于内置字库的液晶，直接调用对应汉字显示函数即可，没有内置字库的液晶则需要我们自己制作GBK字库。

龙之谷 · 发表于 2016-1-21 22:38:29

本帖最后由龙之谷于 2016-1-21 22:49 编辑

对楼上这句话：“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。”的解释：

“GB2312的原文”是指国家1980年的一个标准《中华人民共和国国家标准信息交换用汉字编码字符集基本集 GB 2312-80》。这个标准用两个数来编码汉字和中文符号。第一个数称为“区”，第二个数称为“位”。所以也称为区位码。1-9区是中文符号，16-55 区是一级汉字，56-87区是二级汉字。现在Windows也还有区位输入法，例如输入1601得到“啊” 。

Windows中有缺省代码页的概念，即缺省用什么编码来解释字符。例如Windows的记事本打开了一个文本文件，里面的内容是字节流：BA、BA、D7、D6。Windows应该去怎么解释它呢？是按照Unicode编码解释、还是按照GBK解释、还是按照BIG5解释，还是按照ISO8859-1去解释？如果按GBK去解释，就会得到“汉字”两个字。按照其它编码解释，可能找不到对应的字符，也可能找到错误的字符。所谓“错误”是指与文本作者的本意不符，这时就产生了乱码。

答案是Windows按照当前的缺省代码页去解释文本文件里的字节流。缺省代码页可以通过控制面板的区域选项设置。记事本的另存为中有一项ANSI，其实就是按照缺省代码页的编码方法保存。Windows的内码是Unicode，它在技术上可以同时支持多个代码页。只要文件能说明自己使用什么编码，用户又安装了对应的代码页，Windows就能正确显示，例如在HTML文件中就可以指定charset。有的HTML文件作者，特别是英文作者，认为世界上所有人都使用英文，在文件中不指定charset。如果他使用了0x80-0xff之间的字符，中文Windows又按照缺省的GBK去解释，就会出现乱码。这时只要在这个html文件中加上指定charset的语句，例如：如果原作者使用的代码页和ISO8859-1兼容，就不会出现乱码了。再说区位码，啊的区位码是1601，写成16进制是0x10,0x01。这和计算机广泛使用的ASCII 编码冲突。为了兼容00-7f的ASCII编码，我们在区位码的高、低字节上分别加上A0。这样 “啊”的编码就成为B0A1。我们将加过两个A0的编码也称为GB2312编码，虽然 GB2312的原文根本没提到这一点。

龙之谷 · 发表于 2016-1-21 22:46:42

附加知识：UCS和UTF

1.关系：UCS只是规定如何编码，并没有规定如何传输、保存这个编码。例如“汉”字的UCS编码是 6C49，我可以用4个ascii数字来传输、保存这个编码；也可以用utf-8编码:3个连续的字节 E6 B1 89来表示它。关键在于通信双方都要认可。UTF-8、UTF-7、UTF-16都是被广泛接受的方案。UTF-8的一个特别的好处是它与ISO- 8859-1完全兼容。UTF是“UCS Transformat ion Format”的缩写。

2.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。

3.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 110xxx xx 10xxxxxx 0800 - FFFF 1110xxxx10xxxxxx 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 10xxxxxx10xxxxxx。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。需要注意，UltraEdit在打开utf-8编码的文本文件时会自动转换为UTF-16，可能产生混淆。你可以在设置中关掉这个选项。更好的工具是Hex Workshop。
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。

4.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“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"ZEROWIDTH 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"ZEROWIDTH NO-BR EAK SPACE"的UTF-8编码是EFBB 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。

龙之谷 · 发表于 2016-1-21 22:58:30

长文件名

1.百度百科：长文件名(Long file name)，也指长文件名支持。在旧版本的DOS操作系统下，因为文件名称有8.3格式的限制，凡文件主档名超过8字节或扩展名超过3字节的文件名，都被称为"长文件名"，在Windows下正常的文件名置换于DOS(或"命令提示字符")环境下则可能无法完整显示，如"Program files"资料夹可能会显示成其对应的8.3文件名"PROGRA~1"。不过在MS-DOS 7以后的版本中可以通过加载类似DOSLFN这样的程序使得DIR等命令显示出长文件名。

在微软的Windows NT 3.5出来之后，"长文件名"问题得以解决，现在的Windows XP系统一般可以输入200多个字符作为文件名，或者200个字符扩展名。

2.在FATFS实验中，如果使能长文件名，需要Unicode与GBK转换函数，这是因为，我们的字库是GBK格式，而FATFS长文件名则是通过Unicode实现存储的，所以需要将长文件名进行液晶屏显示时需要将Unicode转换为GBK编码。

龙之谷 · 发表于 2016-1-21 23:17:13

本帖最后由龙之谷于 2016-1-21 23:35 编辑

1.我们平常使用的屏幕显示一般都是支持GBK格式编码，屏幕一般带有一些接口函数，这些函数也是为GBK显示设计的，所以直接调用即可显示汉字字符等。
2.当然，如果自制Unicode字库，编写Unicode打点显示函数也能够完成屏幕汉字字符显示。
3.我们一般调用类似LCD_ShowString(30,90,200,16,16,"ATOM@ALIENTEK");函数，通过将汉字、数字等字符用双引号作为参数传递即可实现显示，此过程中，双引号极其内容构成字符串，相当于数组，数组中存放的就是每个汉字/数字等字符的GBK/ASCII码，通过对应的打点显示函数实现了屏幕的显示。所以LCD_ShowString(30,90,200,16,16,"0");传入数组的值为0x30，可以在屏幕正确显示0，而LCD_ShowString(30,90,200,16,16,0);则毫无意义（报错是函数参数不匹配引起的，我们在重心不在此）。
4.通过开发指南串口实验，我们可以发现串口汉字编码格式为GBK/GB，也就是说我们电脑的代码页一般为CP936或CP54936。