# 字符编码 ## Unicode ### What Unicode ? > Unicode源于一个很简单的想法：将全世界所有的字符包含在一个集合里，计算机只要支持这一个字符集，就能显示所有的字符，再也不会有乱码了。 Unicode源于一个很简单的想法：将全世界所有的字符包含在一个集合里，计算机只要支持这一个字符集，就能显示所有的字符，再也不会有乱码了。 ``` U+0000 = null ``` U+表示紧跟在后面的十六进制数是Unicode的码点 ### [Unicode](http://www.unicode.org/) 编号规则 ![Unicode](/files/-LyNbWxGcqyrWrYF0a1I) 1. 从 0 开始编号 U+0000 = null 2. 最新[Unicode@11.0.0](http://www.unicode.org/versions/Unicode11.0.0/) 3. 共计137,374个符号，包含CJK字符74500个（68%） 4. 2^16(65535)个号码组成一个平面 5. 目前有17个平面，整个空间大小：2^21 6. 1个基本平面(BMP)：U+0000 \~ U+FFFF 7. 16个辅助平面(SMP): U+010000 \~ U+10FFFF 中日韩文字为74500个。可以近似认为，全世界现有的符号当中，三分之二以上来自东亚文字。比如，中文"好"的码点是十六进制的`597D` `U+597D` = 好 ### 分区 > 这么多符号，Unicode不是一次性定义的，而是分区定义。每个区可以存放65536个（216）字符，称为一个平面（plane）。目前，一共有17个（25）平面，也就是说，整个Unicode字符集的大小现在是221。 ![Unicode](https://github.com/hezhiqiang-book/PythonTutorials/tree/b50e7e0c9dc8fb4ea2264f85fcb278eda9b5404f/09_file/images/unicodev2.png) 最前面的65536个字符位，称为基本平面（缩写**BMP**），它的码点范围是从0一直到`(2^16)-1`，写成16进制就是从`U+0000`到`U+FFFF`。所有最常见的字符都放在这个平面，这是Unicode最先定义和公布的一个平面。 剩下的字符都放在辅助平面（缩写**SMP**），码点范围从`U+010000`一直到`U+10FFFF`。 ## UTF-32 VS UTF-8 Unicode只规定了**每个字符的码点**，到底用什么样的**字节序**表示这个码点，就涉及到**编码方法**。 最直观的编码方法是，**每个码点**使用**四个字节**表示，**字节内容一一对应码点**。这种编码方法就叫做**UTF-32**。比如，**码点0**就用**四个字节的0**表示，**码点597D**就在前面加两个字节的0。 ``` U+0000 = 0x0000 0000 U+597D = 0x0000 597D ``` ### UTF-32 编码 ![utf-32](/files/-LyNbWxLKMkjHMLVZ70E) 1. 4个字节表示一个字符 2. 完全对应 Unicode 编码（比如：字母`a`=`0x00000061`） 3. Pro: 查找效率高，时间复杂度o(1) 4. Con: 浪费空间。比相同 ASCII 编码文件大4倍 UTF-32的优点在于，转换规则简单直观，查找效率高。缺点在于浪费空间，同样内容的英语文本，它会比ASCII编码大四倍。这个缺点很致命，导致实际上没有人使用这种编码方法，HTML 5标准就明文规定，网页不得编码成UTF-32。 ### 如何节省空间的表示法？ 人们真正需要的是一种节省空间的编码方法，这导致了UTF-8的诞生。**UTF-8是一种变长的编码方法**，字符长度从**1个字节到4个字节不等**。越是**常用的字符，字节越短**，最前面的**128个字符，只使用1个字节表示**，与**ASCII码完全相同**。 | 编号范围 | 字节 | | ------------------- | -- | | 0x0080 - 0x07FF | 2 | | 0x0800 - 0xFFFF | 3 | | 0x010000 - 0x10FFFF | 4 | 由于UTF-8这种节省空间的特性，导致它成为互联网上最常见的网页编码。不过，参考[《字符编码笔记》](http://www.ruanyifeng.com/blog/2007/10/ascii_unicode_and_utf-8.html) ## UTF-16 简介 UTF-16编码介于UTF-32与UTF-8之间，同时结合了定长和变长两种编码方法的特点。 它的编码规则很简单：基本平面的字符占用2个字节，辅助平面的字符占用4个字节。也就是说，UTF-16的编码长度要么是2个字节（U+0000到U+FFFF），要么是4个字节（U+010000到U+10FFFF）。 ![utf-16](/files/-LyNbWxN7PEWunKCqcio) **于是就有一个问题，当我们遇到两个字节，怎么看出它本身是一个字符，还是需要跟其他两个字节放在一起解读？** 说来很巧妙，我也不知道是不是故意的设计，在基本平面内，从U+D800到U+DFFF是一个空段，即这些码点不对应任何字符。因此，这个空段可以用来映射辅助平面的字符。 具体来说，辅助平面的字符位共有220个，也就是说，对应这些字符至少需要20个二进制位。UTF-16将这20位拆成两半，前10位映射在U+D800到U+DBFF（空间大小210），称为高位（H），后10位映射在U+DC00到U+DFFF（空间大小210），称为低位（L）。这意味着，一个辅助平面的字符，被拆成两个基本平面的字符表示。 ![utf-16](/files/-LyNbWxPhe6ZMWmEff_s) 所以，当我们遇到两个字节，发现它的码点在U+D800到U+DBFF之间，就可以断定，紧跟在后面的两个字节的码点，应该在U+DC00到U+DFFF之间，这四个字节必须放在一起解读。 ### UTF-16的转码公式 Unicode码点转成UTF-16的时候，首先区分这是基本平面字符，还是辅助平面字符。如果是前者，直接将码点转为对应的十六进制形式，长度为两字节。 ``` U+597D = 0x597D ``` 如果是辅助平面字符，Unicode 3.0版给出了转码公式 ``` H = Math.floor((c-0x10000) / 0x400)+0xD800 L = (c - 0x10000) % 0x400 + 0xDC00 ``` ![si](/files/-LyNbWxRNHX4A87rKWvl) 以字符(三+-)为例，它是一个辅助平面字符，码点为U+1D306，将其转为UTF-16的计算过程如下。 ``` H = Math.floor((0x1D306-0x10000)/0x400)+0xD800 = 0xD834 L = (0x1D306-0x10000) % 0x400+0xDC00 = 0xDF06 ``` 所以，字符(三+-)的UTF-16编码就是0xD834 DF06，长度为四个字节。 ![si](/files/-LyNbWxTm7JSspAMrQ-m) ## JavaScript使用哪一种编码？ ![js-encoding](/files/-LyNbWxVlIkQ3XXxXG-u) JavaScript语言采用Unicode字符集，但是只支持一种编码方法。 这种编码既不是UTF-16，也不是UTF-8，更不是UTF-32。上面那些编码方法，JavaScript都不用。 JavaScript用的是UCS-2！ ![usc-2](/files/-LyNbWxXiHfaOz458lGF) ### UCS-2编码 怎么突然杀出一个UCS-2？这就需要讲一点历史。 互联网还没出现的年代，曾经有两个团队，不约而同想搞统一字符集。一个是1988年成立的Unicode团队，另一个是1989年成立的UCS团队。等到他们发现了对方的存在，很快就达成一致：世界上不需要两套统一字符集。 1991年10月，两个团队决定合并字符集。也就是说，从今以后只发布一套字符集，就是Unicode，并且修订此前发布的字符集，UCS的码点将与Unicode完全一致。 UCS的开发进度快于Unicode，1990年就公布了第一套编码方法UCS-2，使用2个字节表示已经有码点的字符。（那个时候只有一个平面，就是基本平面，所以2个字节就够用了。）UTF-16编码迟至1996年7月才公布，明确宣布是UCS-2的超集，即基本平面字符沿用UCS-2编码，辅助平面字符定义了4个字节的表示方法。 两者的关系简单说，就是UTF-16取代了UCS-2，或者说UCS-2整合进了UTF-16。所以，现在只有UTF-16，没有UCS-2。 ### JavaScript的诞生背景 那么，为什么JavaScript不选择更高级的UTF-16，而用了已经被淘汰的UCS-2呢？ 答案很简单：非不想也，是不能也。因为在JavaScript语言出现的时候，还没有UTF-16编码。 1995年5月，Brendan Eich用了10天设计了JavaScript语言；10月，第一个解释引擎问世；次年11月，Netscape正式向ECMA提交语言标准（整个过程详见[《JavaScript诞生记》](http://www.ruanyifeng.com/blog/2011/06/birth_of_javascript.html)）。对比UTF-16的发布时间（1996年7月），就会明白Netscape公司那时没有其他选择，只有UCS-2一种编码方法可用！ ![usc-2](/files/-LyNbWxZ9yTzmPQIWX67) ### JavaScript字符函数的局限 由于JavaScript只能处理UCS-2编码，造成所有字符在这门语言中都是2个字节，如果是4个字节的字符，会当作两个双字节的字符处理。JavaScript的字符函数都受到这一点的影响，无法返回正确结果。 ![usc-2](/files/-LyNbWxack5KTlZI1YU7) 还是以字符(三+-)为例，它的UTF-16编码是4个字节的0xD834 DF06。问题就来了，4个字节的编码不属于UCS-2，JavaScript不认识，只会把它看作单独的两个字符U+D834和U+DF06。前面说过，这两个码点是空的，所以JavaScript会认为是两个空字符组成的字符串！ ![usc-2](/files/-LyNbWxcjX6w7TGaqwKL) 上面代码表示，JavaScript认为字符的长度是2，取到的第一个字符是空字符，取到的第一个字符的码点是0xDB34。这些结果都不正确！ ![usc-2](/files/-LyNbWxeVnzwbcRlup9P) 解决这个问题，必须对码点做一个判断，然后手动调整。下面是正确的遍历字符串的写法。 ```javascript while (++index < length) { // ... if (charCode >= 0xD800 && charCode <= 0xDBFF) { output.push(character + string.charAt(++index)); } else { output.push(character); } } ``` 上面代码表示，遍历字符串的时候，必须对码点做一个判断，只要落在0xD800到0xDBFF的区间，就要连同后面2个字节一起读取。 类似的问题存在于所有的JavaScript字符操作函数。 ```javascript String.prototype.replace() String.prototype.substring() String.prototype.slice() ... ``` 上面的函数都只对2字节的码点有效。要正确处理4字节的码点，就必须逐一部署自己的版本，判断一下当前字符的码点范围。 ## ECMAScript 6 ![usc-2](/files/-LyNbWxgDfWZA1AWBHLI) JavaScript的下一个版本ECMAScript 6（简称ES6），大幅增强了Unicode支持，基本上解决了这个问题。 正确识别字符 ES6可以自动识别4字节的码点。因此，遍历字符串就简单多了。 ``` for (let s of string ) { // ... } ``` 但是，为了保持兼容，length属性还是原来的行为方式。为了得到字符串的正确长度，可以用下面的方式。 ``` Array.from(string).length ``` 码点表示法 JavaScript允许直接用码点表示Unicode字符，写法是"反斜杠+u+码点"。 ``` '好' === '\u597D' // true ``` 但是，这种表示法对4字节的码点无效。ES6修正了这个问题，只要将码点放在大括号内，就能正确识别。 ![es6-unicode](/files/-LyNbWxir5Hrx8iR_5TU) 字符串处理函数 ES6新增了几个专门处理4字节码点的函数。 ``` String.fromCodePoint()：从Unicode码点返回对应字符 String.prototype.codePointAt()：从字符返回对应的码点 String.prototype.at()：返回字符串给定位置的字符 ``` 正则表达式 ES6提供了u修饰符，对正则表达式添加4字节码点的支持。 ![regular](/files/-LyNbWxkGyBuVB641WV3) Unicode正规化 有些字符除了字母以外，还有[附加符号](http://zh.wikipedia.org/wiki/%E9%99%84%E5%8A%A0%E7%AC%A6%E5%8F%B7)。比如，汉语拼音的Ǒ，字母上面的声调就是附加符号。对于许多欧洲语言来说，声调符号是非常重要的。 ![combine-sign](/files/-LyNbWxmZK3G8Jfh0QuB) Unicode提供了两种表示方法。一种是带附加符号的单个字符，即一个码点表示一个字符，比如Ǒ的码点是U+01D1；另一种是将附加符号单独作为一个码点，与主体字符复合显示，即两个码点表示一个字符，比如Ǒ可以写成O（U+004F） + ˇ（U+030C）。 ``` // 方法一 '\u01D1' // 'Ǒ' // 方法二 '\u004F\u030C' // 'Ǒ' ``` 这两种表示方法，视觉和语义都完全一样，理应作为等同情况处理。但是，JavaScript无法辨别。 ``` '\u01D1'==='\u004F\u030C' //false ``` ES6提供了normalize方法，允许"Unicode正规化"，即将两种方法转为同样的序列。 ``` '\u01D1'.normalize() === '\u004F\u030C'.normalize() // true ``` ## ASCII 码 我们知道，计算机内部，所有信息最终都是一个二进制值。每一个二进制位（bit）有0和1两种状态，因此八个二进制位就可以组合出256种状态，这被称为一个字节（byte）。也就是说，一个字节一共可以用来表示256种不同的状态，每一个状态对应一个符号，就是256个符号，从00000000到11111111。 上个世纪60年代，美国制定了一套字符编码，对英语字符与二进制位之间的关系，做了统一规定。这被称为 ASCII 码，一直沿用至今。 ASCII 码一共规定了128个字符的编码，比如空格SPACE是32（二进制00100000），大写的字母A是65（二进制01000001）。这128个符号（包括32个不 ## 非 ASCII 编码 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 (ג)，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 256 x 256 = 65536 个符号。 中文编码的问题需要专文讨论，这篇笔记不涉及。这里只指出，虽然都是用多个字节表示一个符号，但是GB类的汉字编码与后文的 Unicode 和 UTF-8 是毫无关系的。 ## Unicode 的问题 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 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。 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。 ## Unicode 与 UTF-8 之间的转换 通过上一节的例子，可以看到严的 Unicode码 是4E25，UTF-8 编码是E4B8A5，两者是不一样的。它们之间的转换可以通过程序实现。 Windows平台，有一个最简单的转化方法，就是使用内置的记事本小程序notepad.exe。打开文件后，点击文件菜单中的另存为命令，会跳出一个对话框，在最底部有一个编码的下拉条。 里面有四个选项：ANSI，Unicode，Unicode big endian和UTF-8。 1）ANSI是默认的编码方式。对于英文文件是ASCII编码，对于简体中文文件是GB2312编码（只针对 Windows 简体中文版，如果是繁体中文版会采用 Big5 码）。 2）Unicode编码这里指的是notepad.exe使用的 UCS-2 编码方式，即直接用两个字节存入字符的 Unicode 码，这个选项用的 little endian 格式。 3）Unicode big endian编码与上一个选项相对应。我在下一节会解释 little endian 和 big endian 的涵义。 4）UTF-8编码，也就是上一节谈到的编码方法。 选择完"编码方式"后，点击"保存"按钮，文件的编码方式就立刻转换好了。 ## Little endian 和 Big endian 上一节已经提到，UCS-2 格式可以存储 Unicode 码（码点不超过0xFFFF）。以汉字严为例，Unicode 码是4E25，需要用两个字节存储，一个字节是4E，另一个字节是25。存储的时候，4E在前，25在后，这就是 Big endian 方式；25在前，4E在后，这是 Little endian 方式。 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。 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。 ## 实例 打开"记事本"程序notepad.exe，新建一个文本文件，内容就是一个严字，依次采用ANSI，Unicode，Unicode big endian和UTF-8编码方式保存。 然后，用文本编辑软件UltraEdit 中的"十六进制功能"，观察该文件的内部编码方式。 1）ANSI：文件的编码就是两个字节D1 CF，这正是严的 GB2312 编码，这也暗示 GB2312 是采用大头方式存储的。 2）Unicode：编码是四个字节FF FE 25 4E，其中FF FE表明是小头方式存储，真正的编码是4E25。 3）Unicode big endian：编码是四个字节FE FF 4E 25，其中FE FF表明是大头方式存储。 4）UTF-8：编码是六个字节EF BB BF E4 B8 A5，前三个字节EF BB BF表示这是UTF-8编码，后三个E4B8A5就是严的具体编码，它的存储顺序与编码顺序是一致的。 ## 延伸阅读 * [谈谈Unicode编码](http://www.pconline.com.cn/pcedu/empolder/gj/other/0505/616631.html) * [The Absolute Minimum Every Software Developer Absolutely, Positively Must Know About Unicode and Character Sets (No Excuses!)](https://www.joelonsoftware.com/2003/10/08/the-absolute-minimum-every-software-developer-absolutely-positively-must-know-about-unicode-and-character-sets-no-excuses/) * [RFC3629：UTF-8, a transformation format of ISO 10646](http://www.ietf.org/rfc/rfc3629.txt) --- # Agent Instructions: Querying This Documentation If you need additional information that is not directly available in this page, you can query the documentation dynamically by asking a question. Perform an HTTP GET request on the current page URL with the `ask` query parameter: ``` GET https://hezhiqiang8909.gitbook.io/python-ai/08_file/encoding.md?ask= ``` The question should be specific, self-contained, and written in natural language. The response will contain a direct answer to the question and relevant excerpts and sources from the documentation. Use this mechanism when the answer is not explicitly present in the current page, you need clarification or additional context, or you want to retrieve related documentation sections.