目录 start

  1. 字符编码
    1. ascii
    2. ANSI
    3. Unicode
      1. UTF
        1. UTF-8
        2. UTF-16
    4. 汉字编码发展史

目录 end|2019-10-19 17:04|


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

字符编码
参考博客: Ansi,UTF8,Unicode,ASCII编码的区别
参考博客: 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

  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。

同时还要注意,在标准ASCII中,其最高位(b7)用作奇偶校验位。
Linux man ascii 就可以查看, 没有这个手册就安装 ascii 用这个程序来展示

参考博客: ASCII码表

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, 但是并不是一个具体实现的编码方案, 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

  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), 在表示中文时是采用三字节的方式, 已基本覆盖WEB领域

依据首字节的最高位来限定

  • 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

参考博客: UTF-8编码规则(转)

UTF-16

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到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
参考博客: Unicode中文和特殊字符的编码范围
参考博客: 中文标点符号具体unicode码
汉字 Unicode 编码范围

类别 字数 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
1字 3007