這是一篇程序員寫(xiě)給程序員的趣味讀物。所謂趣味是指可以比較輕松地了解一些原來(lái)不清楚的概念，增進(jìn)知識，類(lèi)似于打RPG游戲的升級。整理這篇文章的動(dòng)機是兩個(gè)問(wèn)題：

問(wèn)題一：

使用Windows記事本的“另存為”，可以在GBK、Unicode、Unicode big endian和UTF-8這幾種編碼方式間相互轉換。同樣是txt文件，Windows是怎樣識別編碼方式的呢？

我很早前就發(fā)現Unicode、Unicode big endian和UTF-8編碼的txt文件的開(kāi)頭會(huì )多出幾個(gè)字節，分別是FF、FE（Unicode）,FE、FF（Unicode big endian）,EF、BB、BF（UTF-8）。但這些標記是基于什么標準呢？

問(wèn)題二：

最近在網(wǎng)上看到一個(gè)ConvertUTF.c，實(shí)現了UTF-32、UTF-16和UTF-8這三種編碼方式的相互轉換。對于Unicode(UCS2)、GBK、UTF-8這些編碼方式，我原來(lái)就了解。但這個(gè)程序讓我有些糊涂，想不起來(lái)UTF-16和UCS2有什么關(guān)系。

查了查相關(guān)資料，總算將這些問(wèn)題弄清楚了，順帶也了解了一些Unicode的細節。寫(xiě)成一篇文章，送給有過(guò)類(lèi)似疑問(wèn)的朋友。本文在寫(xiě)作時(shí)盡量做到通俗易懂，但要求讀者知道什么是字節，什么是十六進(jìn)制。

0、big endian和little endian

big endian和little endian是CPU處理多字節數的不同方式。例如“漢”字的Unicode編碼是6C49。那么寫(xiě)到文件里時(shí)，究竟是將6C寫(xiě)在前面，還是將49寫(xiě)在前面？如果將6C寫(xiě)在前面，就是big endian。還是將49寫(xiě)在前面，就是little endian。

“endian”這個(gè)詞出自《格列佛游記》。小人國的內戰就源于吃雞蛋時(shí)是究竟從大頭(Big-Endian)敲開(kāi)還是從小頭(Little-Endian)敲開(kāi)，由此曾發(fā)生過(guò)六次叛亂，其中一個(gè)皇帝送了命，另一個(gè)丟了王位。

我們一般將endian翻譯成“字節序”，將big endian和little endian稱(chēng)作“大尾”和“小尾”。

1、字符編碼、內碼，順帶介紹漢字編碼

字符必須編碼后才能被計算機處理。計算機使用的缺省編碼方式就是計算機的內碼。早期的計算機使用7位的ASCII編碼，為了處理漢字，程序員設計了用于簡(jiǎn)體中文的GB2312和用于繁體中文的big5。

GB2312(1980年)一共收錄了7445個(gè)字符，包括6763個(gè)漢字和682個(gè)其它符號。漢字區的內碼范圍高字節從B0-F7，低字節從A1-FE，占用的碼位是72*94=6768。其中有5個(gè)空位是D7FA-D7FE。

GB2312支持的漢字太少。1995年的漢字擴展規范GBK1.0收錄了21886個(gè)符號，它分為漢字區和圖形符號區。漢字區包括21003個(gè)字符。2000年的GB18030是取代GBK1.0的正式國家標準。該標準收錄了27484個(gè)漢字，同時(shí)還收錄了藏文、蒙文、維吾爾文等主要的少數民族文字?，F在的PC平臺必須支持GB18030，對嵌入式產(chǎn)品暫不作要求。所以手機、MP3一般只支持GB2312。

從ASCII、GB2312、GBK到GB18030，這些編碼方法是向下兼容的，即同一個(gè)字符在這些方案中總是有相同的編碼，后面的標準支持更多的字符。在這些編碼中，英文和中文可以統一地處理。區分中文編碼的方法是高字節的最高位不為0。按照程序員的稱(chēng)呼，GB2312、GBK到GB18030都屬于雙字節字符集 (DBCS)。

有的中文Windows的缺省內碼還是GBK，可以通過(guò)GB18030升級包升級到GB18030。不過(guò)GB18030相對GBK增加的字符，普通人是很難用到的，通常我們還是用GBK指代中文Windows內碼。

這里還有一些細節：

• GB2312的原文還是區位碼，從區位碼到內碼，需要在高字節和低字節上分別加上A0。

• 在DBCS中，GB內碼的存儲格式始終是big endian，即高位在前。

• GB2312的兩個(gè)字節的最高位都是1。但符合這個(gè)條件的碼位只有128*128=16384個(gè)。所以GBK和GB18030的低字節最高位都可能不是1。不過(guò)這不影響DBCS字符流的解析：在讀取DBCS字符流時(shí)，只要遇到高位為1的字節，就可以將下兩個(gè)字節作為一個(gè)雙字節編碼，而不用管低字節的高位是什么。

2、Unicode、UCS和UTF

前面提到從ASCII、GB2312、GBK到GB18030的編碼方法是向下兼容的。而Unicode只與ASCII兼容（更準確地說(shuō)，是與ISO-8859-1兼容），與GB碼不兼容。例如“漢”字的Unicode編碼是6C49，而GB碼是BABA。

Unicode也是一種字符編碼方法，不過(guò)它是由國際組織設計，可以容納全世界所有語(yǔ)言文字的編碼方案。Unicode的學(xué)名是"Universal Multiple-Octet Coded Character Set"，簡(jiǎn)稱(chēng)為UCS。UCS可以看作是"Unicode Character Set"的縮寫(xiě)。

根據維基百科全書(shū)(http://zh.wikipedia.org/wiki/)的記載：歷史上存在兩個(gè)試圖獨立設計Unicode的組織，即國際標準化組織（ISO）和一個(gè)軟件制造商的協(xié)會(huì )（unicode.org）。ISO開(kāi)發(fā)了ISO 10646項目，Unicode協(xié)會(huì )開(kāi)發(fā)了Unicode項目。

在1991年前后，雙方都認識到世界不需要兩個(gè)不兼容的字符集。于是它們開(kāi)始合并雙方的工作成果，并為創(chuàng )立一個(gè)單一編碼表而協(xié)同工作。從Unicode2.0開(kāi)始，Unicode項目采用了與ISO 10646-1相同的字庫和字碼。

目前兩個(gè)項目仍都存在，并獨立地公布各自的標準。Unicode協(xié)會(huì )現在的最新版本是2005年的Unicode 4.1.0。ISO的最新標準是10646-3:2003。

UCS規定了怎么用多個(gè)字節表示各種文字。怎樣傳輸這些編碼，是由UTF(UCS Transformation Format)規范規定的，常見(jiàn)的UTF規范包括UTF-8、UTF-7、UTF-16。

IETF的RFC2781和RFC3629以RFC的一貫風(fēng)格，清晰、明快又不失嚴謹地描述了UTF-16和UTF-8的編碼方法。我總是記不得IETF是Internet Engineering Task Force的縮寫(xiě)。但IETF負責維護的RFC是Internet上一切規范的基礎。

3、UCS-2、UCS-4、BMP

UCS有兩種格式：UCS-2和UCS-4。顧名思義，UCS-2就是用兩個(gè)字節編碼，UCS-4就是用4個(gè)字節（實(shí)際上只用了31位，最高位必須為0）編碼。下面讓我們做一些簡(jiǎn)單的數學(xué)游戲：

UCS-2有2^16=65536個(gè)碼位，UCS-4有2^31=2147483648個(gè)碼位。

UCS-4根據最高位為0的最高字節分成2^7=128個(gè)group。每個(gè)group再根據次高字節分為256個(gè)plane。每個(gè)plane根據第3個(gè)字節分為256行 (rows)，每行包含256個(gè)cells。當然同一行的cells只是最后一個(gè)字節不同，其余都相同。

group 0的plane 0被稱(chēng)作Basic Multilingual Plane, 即BMP?；蛘哒f(shuō)UCS-4中，高兩個(gè)字節為0的碼位被稱(chēng)作BMP。

將UCS-4的BMP去掉前面的兩個(gè)零字節就得到了UCS-2。在UCS-2的兩個(gè)字節前加上兩個(gè)零字節，就得到了UCS-4的BMP。而目前的UCS-4規范中還沒(méi)有任何字符被分配在BMP之外。

4、UTF編碼

UTF-8就是以8位為單元對UCS進(jìn)行編碼。從UCS-2到UTF-8的編碼方式如下：

例如“漢”字的Unicode編碼是6C49。6C49在0800-FFFF之間，所以肯定要用3字節模板了：1110xxxx 10xxxxxx 10xxxxxx。將6C49寫(xiě)成二進(jìn)制是：0110 110001 001001， 用這個(gè)比特流依次代替模板中的x，得到：11100110 10110001 10001001，即E6 B1 89。

讀者可以用記事本測試一下我們的編碼是否正確。

UTF-16以16位為單元對UCS進(jìn)行編碼。對于小于0x10000的UCS碼，UTF-16編碼就等于UCS碼對應的16位無(wú)符號整數。對于不小于0x10000的UCS碼，定義了一個(gè)算法。不過(guò)由于實(shí)際使用的UCS2，或者UCS4的BMP必然小于0x10000，所以就目前而言，可以認為UTF-16和UCS-2基本相同。但UCS-2只是一個(gè)編碼方案，UTF-16卻要用于實(shí)際的傳輸，所以就不得不考慮字節序的問(wèn)題。

5、UTF的字節序和BOM

UTF-8以字節為編碼單元，沒(méi)有字節序的問(wèn)題。UTF-16以?xún)蓚€(gè)字節為編碼單元，在解釋一個(gè)UTF-16文本前，首先要弄清楚每個(gè)編碼單元的字節序。例如收到一個(gè)“奎”的Unicode編碼是594E，“乙”的Unicode編碼是4E59。如果我們收到UTF-16字節流“594E”，那么這是“奎”還是“乙”？

Unicode規范中推薦的標記字節順序的方法是BOM。BOM不是“Bill Of Material”的BOM表，而是Byte Order Mark。BOM是一個(gè)有點(diǎn)小聰明的想法：

在UCS編碼中有一個(gè)叫做"ZERO WIDTH NO-BREAK SPACE"的字符，它的編碼是FEFF。而FFFE在UCS中是不存在的字符，所以不應該出現在實(shí)際傳輸中。UCS規范建議我們在傳輸字節流前，先傳輸字符"ZERO WIDTH NO-BREAK SPACE"。

這樣如果接收者收到FEFF，就表明這個(gè)字節流是Big-Endian的；如果收到FFFE，就表明這個(gè)字節流是Little-Endian的。因此字符"ZERO WIDTH NO-BREAK SPACE"又被稱(chēng)作BOM。

UTF-8不需要BOM來(lái)表明字節順序，但可以用BOM來(lái)表明編碼方式。字符"ZERO WIDTH NO-BREAK SPACE"的UTF-8編碼是EF BB BF（讀者可以用我們前面介紹的編碼方法驗證一下）。所以如果接收者收到以EF BB BF開(kāi)頭的字節流，就知道這是UTF-8編碼了。

Windows就是使用BOM來(lái)標記文本文件的編碼方式的。

6、進(jìn)一步的參考資料

本文主要參考的資料是 "Short overview of ISO-IEC 10646 and Unicode" (http://www.nada.kth.se/i18n/ucs/unicode-iso10646-oview.html)。

我還找了兩篇看上去不錯的資料，不過(guò)因為我開(kāi)始的疑問(wèn)都找到了答案，所以就沒(méi)有看：

1. "Understanding Unicode A general introduction to the Unicode Standard" (http://scripts.sil.org/cms/scripts/page.php?site_id=nrsi&item_id=IWS-Chapter04a)
2. "Character set encoding basics Understanding character set encodings and legacy encodings" (http://scripts.sil.org/cms/scripts/page.php?site_id=nrsi&item_id=IWS-Chapter03)

我寫(xiě)過(guò)UTF-8、UCS-2、GBK相互轉換的軟件包，包括使用Windows API和不使用Windows API的版本。以后有時(shí)間的話(huà)，我會(huì )整理一下放到我的個(gè)人主頁(yè)上(http://fmddlmyy.home4u.china.com)。

我是想清楚所有問(wèn)題后才開(kāi)始寫(xiě)這篇文章的，原以為一會(huì )兒就能寫(xiě)好。沒(méi)想到考慮措辭和查證細節花費了很長(cháng)時(shí)間，竟然從下午1:30寫(xiě)到9:00。希望有讀者能從中受益。