今天中午，我突然想搞清楚Unicode和UTF-8之間的關(guān)系，于是就開(kāi)始在網(wǎng)上查資料。
結果，這個(gè)問(wèn)題比我想象的復雜，從午飯后一直看到晚上9點(diǎn)，才算初步搞清楚。
下面就是我的筆記，主要用來(lái)整理自己的思路。但是，我盡量試圖寫(xiě)得通俗易懂，希望能對其他朋友有用。畢竟，字符編碼是計算機技術(shù)的基石，想要熟練使用計算機，就必須懂得一點(diǎn)字符編碼的知識。
1. ASCII碼
我們知道，在計算機內部，所有的信息最終都表示為一個(gè)二進(jìn)制的字符串。每一個(gè)二進(jìn)制位（bit）有0和1兩種狀態(tài)，因此八個(gè)二進(jìn)制位就可以組合出256種狀態(tài)，這被稱(chēng)為一個(gè)字節（byte）。也就是說(shuō)，一個(gè)字節一共可以用來(lái)表示256種不同的狀態(tài)，每一個(gè)狀態(tài)對應一個(gè)符號，就是256個(gè)符號，從0000000到11111111。
上個(gè)世紀60年代，美國制定了一套字符編碼，對英語(yǔ)字符與二進(jìn)制位之間的關(guān)系，做了統一規定。這被稱(chēng)為ASCII碼，一直沿用至今。
ASCII碼一共規定了128個(gè)字符的編碼，比如空格“SPACE”是32（二進(jìn)制00100000），大寫(xiě)的字母A是65（二進(jìn)制01000001）。這128個(gè)符號（包括32個(gè)不能打印出來(lái)的控制符號），只占用了一個(gè)字節的后面7位，最前面的1位統一規定為0。
2、非ASCII編碼
英語(yǔ)用128個(gè)符號編碼就夠了，但是用來(lái)表示其他語(yǔ)言，128個(gè)符號是不夠的。比如，在法語(yǔ)中，字母上方有注音符號，它就無(wú)法用ASCII碼表示。于是，一些歐洲國家就決定，利用字節中閑置的最高位編入新的符號。比如，法語(yǔ)中的é的編碼為130（二進(jìn)制10000010）。這樣一來(lái)，這些歐洲國家使用的編碼體系，可以表示最多256個(gè)符號。
但是，這里又出現了新的問(wèn)題。不同的國家有不同的字母，因此，哪怕它們都使用256個(gè)符號的編碼方式，代表的字母卻不一樣。比如，130在法語(yǔ)編碼中代表了é，在希伯來(lái)語(yǔ)編碼中卻代表了字母Gimel(?)，在俄語(yǔ)編碼中又會(huì )代表另一個(gè)符號。但是不管怎樣，所有這些編碼方式中，0—127表示的符號是一樣的，不一樣的只是128—255的這一段。
至于亞洲國家的文字，使用的符號就更多了，漢字就多達10萬(wàn)左右。一個(gè)字節只能表示256種符號，肯定是不夠的，就必須使用多個(gè)字節表達一個(gè)符號。比如，簡(jiǎn)體中文常見(jiàn)的編碼方式是GB2312，使用兩個(gè)字節表示一個(gè)漢字，所以理論上最多可以表示256x256=65536個(gè)符號。
中文編碼的問(wèn)題需要專(zhuān)文討論，這篇筆記不涉及。這里只指出，雖然都是用多個(gè)字節表示一個(gè)符號，但是GB類(lèi)的漢字編碼與后文的Unicode和UTF-8是毫無(wú)關(guān)系的。
3.Unicode
正如上一節所說(shuō)，世界上存在著(zhù)多種編碼方式，同一個(gè)二進(jìn)制數字可以被解釋成不同的符號。因此，要想打開(kāi)一個(gè)文本文件，就必須知道它的編碼方式，否則用錯誤的編碼方式解讀，就會(huì )出現亂碼。為什么電子郵件常常出現亂碼？就是因為發(fā)信人和收信人使用的編碼方式不一樣。
可以想象，如果有一種編碼，將世界上所有的符號都納入其中。每一個(gè)符號都給予一個(gè)獨一無(wú)二的編碼，那么亂碼問(wèn)題就會(huì )消失。這就是Unicode，就像它的名字都表示的，這是一種所有符號的編碼。
Unicode當然是一個(gè)很大的集合，現在的規?？梢匀菁{100多萬(wàn)個(gè)符號。每個(gè)符號的編碼都不一樣，比如，U+0639表示阿拉伯字母Ain，U+0041表示英語(yǔ)的大寫(xiě)字母A，U+4E25表示漢字“嚴”。具體的符號對應表，可以查詢(xún)unicode.org，或者專(zhuān)門(mén)的漢字對應表。
4. Unicode的問(wèn)題
需要注意的是，Unicode只是一個(gè)符號集，它只規定了符號的二進(jìn)制代碼，卻沒(méi)有規定這個(gè)二進(jìn)制代碼應該如何存儲。
比如，漢字“嚴”的unicode是十六進(jìn)制數4E25，轉換成二進(jìn)制數足足有15位（100111000100101），也就是說(shuō)這個(gè)符號的表示至少需要2個(gè)字節。表示其他更大的符號，可能需要3個(gè)字節或者4個(gè)字節，甚至更多。
這里就有兩個(gè)嚴重的問(wèn)題，第一個(gè)問(wèn)題是，如何才能區別unicode和ascii？計算機怎么知道三個(gè)字節表示一個(gè)符號，而不是分別表示三個(gè)符號呢？第二個(gè)問(wèn)題是，我們已經(jīng)知道，英文字母只用一個(gè)字節表示就夠了，如果unicode統一規定，每個(gè)符號用三個(gè)或四個(gè)字節表示，那么每個(gè)英文字母前都必然有二到三個(gè)字節是0，這對于存儲來(lái)說(shuō)是極大的浪費，文本文件的大小會(huì )因此大出二三倍，這是無(wú)法接受的。
它們造成的結果是：1）出現了unicode的多種存儲方式，也就是說(shuō)有許多種不同的二進(jìn)制格式，可以用來(lái)表示unicode。2）unicode在很長(cháng)一段時(shí)間內無(wú)法推廣，直到互聯(lián)網(wǎng)的出現。
5.UTF-8
互聯(lián)網(wǎng)的普及，強烈要求出現一種統一的編碼方式。UTF-8就是在互聯(lián)網(wǎng)上使用最廣的一種unicode的實(shí)現方式。其他實(shí)現方式還包括UTF-16和UTF-32，不過(guò)在互聯(lián)網(wǎng)上基本不用。重復一遍，這里的關(guān)系是，UTF-8是Unicode的實(shí)現方式之一。
UTF-8最大的一個(gè)特點(diǎn)，就是它是一種變長(cháng)的編碼方式。它可以使用1~4個(gè)字節表示一個(gè)符號，根據不同的符號而變化字節長(cháng)度。
UTF-8的編碼規則很簡(jiǎn)單，只有二條：
1）對于單字節的符號，字節的第一位設為0，后面7位為這個(gè)符號的unicode碼。因此對于英語(yǔ)字母，UTF-8編碼和ASCII碼是相同的。
2）對于n字節的符號（n>1），第一個(gè)字節的前n位都設為1，第n+1位設為0，后面字節的前兩位一律設為10。剩下的沒(méi)有提及的二進(jìn)制位，全部為這個(gè)符號的unicode碼。
下表總結了編碼規則，字母x表示可用編碼的位。
Unicode符號范圍 | UTF-8編碼方式
(十六進(jìn)制) | （二進(jìn)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
下面，還是以漢字“嚴”為例，演示如何實(shí)現UTF-8編碼。
已知“嚴”的unicode是4E25（100111000100101），根據上表，可以發(fā)現4E25處在第三行的范圍內（00000800-0000 FFFF），因此“嚴”的UTF-8編碼需要三個(gè)字節，即格式是“1110xxxx 10xxxxxx10xxxxxx”。然后，從“嚴”的最后一個(gè)二進(jìn)制位開(kāi)始，依次從后向前填入格式中的x，多出的位補0。這樣就得到了，“嚴”的UTF-8編碼是“11100100 10111000 10100101”，轉換成十六進(jìn)制就是E4B8A5。
6. Unicode與UTF-8之間的轉換
通過(guò)上一節的例子，可以看到“嚴”的Unicode碼是4E25，UTF-8編碼是E4B8A5，兩者是不一樣的。它們之間的轉換可以通過(guò)程序實(shí)現。
在Windows平臺下，有一個(gè)最簡(jiǎn)單的轉化方法，就是使用內置的記事本小程序Notepad.exe。打開(kāi)文件后，點(diǎn)擊“文件”菜單中的“另存為”命令，會(huì )跳出一個(gè)對話(huà)框，在最底部有一個(gè)“編碼”的下拉條。
里面有四個(gè)選項：ANSI，Unicode，Unicode big endian 和 UTF-8。
1）ANSI是默認的編碼方式。對于英文文件是ASCII編碼，對于簡(jiǎn)體中文文件是GB2312編碼（只針對Windows簡(jiǎn)體中文版，如果是繁體中文版會(huì )采用Big5碼）。
2）Unicode編碼指的是UCS-2編碼方式，即直接用兩個(gè)字節存入字符的Unicode碼。這個(gè)選項用的little endian格式。
3）Unicode big endian編碼與上一個(gè)選項相對應。我在下一節會(huì )解釋little endian和big endian的涵義。
4）UTF-8編碼，也就是上一節談到的編碼方法。
選擇完”編碼方式“后，點(diǎn)擊”保存“按鈕，文件的編碼方式就立刻轉換好了。
7. Little endian和Big endian
上一節已經(jīng)提到，Unicode碼可以采用UCS-2格式直接存儲。以漢字”嚴“為例，Unicode碼是4E25，需要用兩個(gè)字節存儲，一個(gè)字節是4E，另一個(gè)字節是25。存儲的時(shí)候，4E在前，25在后，就是Big endian方式；25在前，4E在后，就是Little endian方式。
這兩個(gè)古怪的名稱(chēng)來(lái)自英國作家斯威夫特的《格列佛游記》。在該書(shū)中，小人國里爆發(fā)了內戰，戰爭起因是人們爭論，吃雞蛋時(shí)究竟是從大頭(Big-Endian)敲開(kāi)還是從小頭(Little-Endian)敲開(kāi)。為了這件事情，前后爆發(fā)了六次戰爭，一個(gè)皇帝送了命，另一個(gè)皇帝丟了王位。
因此，第一個(gè)字節在前，就是”大頭方式“（Big endian），第二個(gè)字節在前就是”小頭方式“（Little endian）。
那么很自然的，就會(huì )出現一個(gè)問(wèn)題：計算機怎么知道某一個(gè)文件到底采用哪一種方式編碼？
Unicode規范中定義，每一個(gè)文件的最前面分別加入一個(gè)表示編碼順序的字符，這個(gè)字符的名字叫做”零寬度非換行空格“（ZERO WIDTH NO-BREAK SPACE），用FEFF表示。這正好是兩個(gè)字節，而且FF比FE大1。
如果一個(gè)文本文件的頭兩個(gè)字節是FE FF，就表示該文件采用大頭方式；如果頭兩個(gè)字節是FF FE，就表示該文件采用小頭方式。
8. 實(shí)例
下面，舉一個(gè)實(shí)例。
打開(kāi)”記事本“程序Notepad.exe，新建一個(gè)文本文件，內容就是一個(gè)”嚴“字，依次采用ANSI，Unicode，Unicode big endian 和 UTF-8編碼方式保存。
然后，用文本編輯軟件UltraEdit中的”十六進(jìn)制功能“，觀(guān)察該文件的內部編碼方式。
1）ANSI：文件的編碼就是兩個(gè)字節“D1 CF”，這正是“嚴”的GB2312編碼，這也暗示GB2312是采用大頭方式存儲的。
2）Unicode：編碼是四個(gè)字節“FF FE 25 4E”，其中“FF FE”表明是小頭方式存儲，真正的編碼是4E25。
3）Unicode big endian：編碼是四個(gè)字節“FE FF 4E 25”，其中“FE FF”表明是大頭方式存儲。
4）UTF-8：編碼是六個(gè)字節“EF BB BF E4 B8 A5”，前三個(gè)字節“EF BB BF”表示這是UTF-8編碼，后三個(gè)“E4B8A5”就是“嚴”的具體編碼，它的存儲順序與編碼順序是一致的。
