字符集与编码

缩写含义：

ASCII: American Standard Code for Information Interchange

UCS: Universal Character Set

UTF: Unicode/UCS Transformation Format

ASCII编码

ASCII码是7位编码，编码范围是0x00-0x7F。ASCII字符集包括英文字母、阿拉伯数字和标点符号等字符。其中0x00-0x20和0x7F共33个控制字符。

只支持ASCII码的系统会忽略每个字节的最高位，只认为低7位是有效位。

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。

但是，这里又出现了新的问题。不同的国家有不同的字母，因此，哪怕它们都使用256个符号的编码方式，代表的字母却不一样。比如，130在法语编码中代表了é，在希伯来语编码中却代表了字母Gimel (?)，在俄语编码中又会代表另一个符号。但是不管怎样，所有这些编码方式中，0--127表示的符号是一样的，不一样的只是128--255的这一段。

至于亚洲国家的文字，使用的符号就更多了，汉字就多达10万左右。一个字节只能表示256种符号，肯定是不够的，就必须使用多个字节表达一个符号。比如，简体中文常见的编码方式是GB2312，使用两个字节表示一个汉字，所以理论上最多可以表示256x256=65536个符号。

Unicode字符集

正如上一节所说，世界上存在着多种编码方式，同一个二进制数字可以被解释成不同的符号。因此，要想打开一个文本文件，就必须知道它的编码方式，否则用错误的编码方式解读，就会出现乱码。为什么电子邮件常常出现乱码？就是因为发信人和收信人使用的编码方式不一样。

可以想象，如果有一种编码，将世界上所有的符号都纳入其中。每一个符号都给予一个独一无二的编码，那么乱码问题就会消失。这就是Unicode，就像它的名字都表示的，这是一种所有符号的编码。

Unicode当然是一个很大的集合，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unicode.org，或者专门的汉字对应表。

需要注意的是，Unicode只是一个符号集，它只规定了符号的二进制代码，却没有规定这个二进制代码应该如何存储。

比如，汉字"严"的unicode是十六进制数4E25，转换成二进制数足足有15位（100111000100101），也就是说这个符号的表示至少需要2个字节。表示其他更大的符号，可能需要3个字节或者4个字节，甚至更多。

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。

它们造成的结果是：1）出现了Unicode的多种存储方式，也就是说有许多种不同的二进制格式，可以用来表示Unicode。2）Unicode在很长一段时间内无法推广，直到互联网的出现。

UTF-8编码

互联网的普及，强烈要求出现一种统一的编码方式。UTF-8就是在互联网上使用最广的一种Unicode的实现方式。其他实现方式还包括UTF-16（字符用两个字节或四个字节表示）和UTF-32（字符用四个字节表示），不过在互联网上基本不用。重复一遍，这里的关系是，UTF-8是Unicode的实现方式之一。

UTF-8最大的一个特点，就是它是一种变长的编码方式。它可以使用1~4个字节表示一个符号，根据不同的符号而变化字节长度。

UTF-8的编码规则很简单，只有二条：

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。

下表总结了编码规则，字母x表示可用编码的位。

Unicode符号范围 | UTF-8编码方式
(十六进制) | （二进制）
--------------------+---------------------------------------------
0000 0000-0000 007F | 0xxxxxxx
0000 0080-0000 07FF | 110xxxxx 10xxxxxx
0000 0800-0000 FFFF | 1110xxxx 10xxxxxx 10xxxxxx
0001 0000-0010 FFFF | 11110xxx 10xxxxxx 10xxxxxx 10xxxxxx

跟据上表，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。

下面，还是以汉字"严"为例，演示如何实现UTF-8编码。

已知"严"的unicode是4E25（100111000100101），根据上表，可以发现4E25处在第三行的范围内（0000 0800-0000 FFFF），因此"严"的UTF-8编码需要三个字节，即格式是"1110xxxx 10xxxxxx 10xxxxxx"。然后，从"严"的最后一个二进制位开始，依次从后向前填入格式中的x，多出的位补0。这样就得到了，"严"的UTF-8编码是"11100100 10111000 10100101"，转换成十六进制就是E4B8A5。

Little endian和Big endian

这两个古怪的名称来自英国作家斯威夫特的《格列佛游记》。在该书中，小人国里爆发了内战，战争起因是人们争论，吃鸡蛋时究竟是从大头(Big-Endian)敲开还是从小头(Little-Endian)敲开。为了这件事情，前后爆发了六次战争，一个皇帝送了命，另一个皇帝丢了王位。

因此，第一个字节在前，就是"大头方式"（Big endian），第二个字节在前就是"小头方式"（Little endian）。

那么很自然的，就会出现一个问题：计算机怎么知道某一个文件到底采用哪一种方式编码？

Unicode规范中定义，每一个文件的最前面分别加入一个表示编码顺序的字符，这个字符的名字叫做"零宽度非换行空格"（ZERO WIDTH NO-BREAK SPACE），用FEFF表示。这正好是两个字节，而且FF比FE大1。

如果一个文本文件的头两个字节是FE FF，就表示该文件采用大头方式；如果头两个字节是FF FE，就表示该文件采用小头方式。

UTF-16编码

16bit编码，一个字符占2byte；
Unicode的preferred encoding，不兼容ASCII；
与CPU字节序有关，可分为UTF-16LE和UTF-16BE；

UTF-32编码

32bit编码，一个字符占4byte；

小结

对于纯英文文档，或者混合文档中英文字符占了大多数，UTF-8编码更有优势（节省存储空间）；
对于纯中文文档，或者混合文档中中文字符占了大多数，UTF-16编码更有优势；
UTF-8需要判断每个字节中的开头标志信息，所以如果一当某个字节在传送过程中出错了，就会导致后面的字节也会解析出错；
而UTF-16不会判断开头标志，即使错也只会错一个字符，所以容错能力更强。

例如：中文字符 “汉” 对应的unicode是6C49，
UTF-16表示：01101100 01001001
UTF-8表示：十进制值为27721，需要使用3个byte

文本开头的标志可用于判断对应的编码：
EF BB BF UTF-8
FE FF UTF-16/UCS-2, little endian
FF FE UTF-16/UCS-2, big endian
FF FE 00 00 UTF-32/UCS-4, little endian.
00 00 FE FF UTF-32/UCS-4, big-endian.

注意：utf-16和utf-32，如果用char字符串的话，会有0字节出现在非真正结束的地方（用wchar_t可以避免这个问题）。

utf-8、utf-16和utf-32是unicode字符集的不同编码方式；

对于中文而言，还有另外一套字符集——区位码，区位码字符集与unicode没有任何关系，区位码的编码方式主要有GB2312和GBK，下面将继续介绍。

区位码字符集

区位码把编码表分为94个区，每个区对应94个位，每个字符的区号和位号组合起来就是该汉字的区位码。区位码一般 用10进制数来表示，如1601就表示16区1位，对应的字符是“啊”。

区位码中01-09区是符号、数字区，16-87区是汉字区，10-15和88-94是未定义的空白区。它将收录的汉字分成两级：第一级是常用汉字计3755个，置于16-55区，按汉语拼音字母/笔形顺序排列；第二级汉字是次常用汉字计3008个，置于56-87区，按部首/笔画顺序排列。一级汉字是按照拼音排序的，这个就可以得到某个拼音在一级汉字区位中的范围，很多根据汉字可以得到拼音的程序就是根据这个原理编写的。

区位码更应该认为是字符集的定义，定义了所收录的字符和字符位置，而GB2312和GBK是计算机环境中支持这种字符集的编码。区位码和GB2312编码的关系有点像 Unicode字符集和UTF-8编码。

GBK2312编码

GBK2312是简体中文的字符集编码，它基于区位码设计的。在区位码的区号和位号上分别加上0xA0就得到了GB2312编码。

GB2312字符集中除常用简体汉字字符外还包括希腊字母、日文平假名及片假名字母、俄语西里尔字母等字符，未收录繁体中文汉字和一些生僻字。可以用繁体汉字测试某些系统是不是只支持GB2312编码。

GB2312是双字节编码，编码范围是0xA1A1-0x7E7E，去掉未定义的区域之后可以理解为实际编码范围是0xA1A1-0xF7FE。
EUC-CN可以理解为GB2312的别名，和GB2312完全相同。

GBK编码

GBK全称汉字内码扩展规范（Chinese Internal Code Specification）。

GBK是GB2312的扩展，除了兼容GB2312外，它还能显示繁体中文、日文的假名。
GBK采用双字节表示，总体编码范围为8140-FEFE，首字节在81-FE之间，尾字节在40-FE之间，剔除xx7F一条线。
总计23940个码位，共收入21886个汉字和图形符号，其中汉字21003个，图形符号883个。

编码转换

#include <iconv.h>iconv_t iconv_open(const char *tocode, const char *fromcode);size_t iconv(iconv_t cd, char **inbuf, size_t *inbytesleft, char **outbuf, size_t *outbytesleft);int iconv_close(iconv_t cd);

iconv_open 函数声明要进行哪两种编码的转换，返回一个转换句柄，供iconv和iconv_close两个函数使用。

在tocode后面加上字符串"//TRANSLIT"，当源字符串中某个字符无法用目标字符集表示时，可以选择一个（或若干个）与该字符最相似的字符来表示；
在tocode后面加上字符串"//IGNORE"，当源字符串中某个字符无法用目标字符集表示时，该字符将被丢弃。

iconv函数将从*inbuf起始的多字节序列转换到以*outbuf起始的多字节序列，
从*inbuf开始读取，最多转换*inbytesleft字节，转换后，从*outbuf开始写入，最多写入*outbytesleft字节。
iconv函数一次转换一个多字节字符，每次字符转换后，*inbuf增加已转换的字节数，*inbytesleft相应减去已转换的字节数；
对应地，*outbuf和*outbytesleft减少已转换的字节数。

以下3种情况转换失败：
1、输入中含无效（invalid）的多字节序列，此时，将errno设置为EILSEQ，并返回-1，*inbuf指向无效序列的最左端；
2、输入中以不完整（incomplete）多字节序列作结尾，将errno设置为EINVAL，并返回-1，*inbuf指向不完整序列的最左端；
3、输出缓冲区没有足够空间存储下一个字符，此时，将errno设置为E2BIG，并返回-1。

宽字符类型

const wchar_t* p = L"abc";          // 前缀L是告诉编译器，这是宽字符，UTF-8到UTF-32BEprintf("%ls", p);               编码为0x00000061  0x00000062  0x00000063 

setlocale(LC_ALL,"zh_CN.UTF-8"); wchar_t a[10] = L"你好";wprintf(L"this is a test !\n"); wprintf(L"%d\n",wcslen(a));   wprintf(L"%ls\n",a);   

字符集与编码