快捷導(dǎo)航

ANSI,Unicode,BMP,UTF等編碼概念實例講解

更新時間：2017年12月14日 11:29:05 作者：Coder君

這篇文章主要介紹了ANSI,Unicode,BMP,UTF等編碼概念實例講解，具有一定借鑒價值，需要的朋友可以參考下。

一、前言

其實從開始寫Java代碼以來，我遇到過無數(shù)次亂碼與轉(zhuǎn)碼問題，比如從文本文件讀入到String出現(xiàn)亂碼，Servlet中獲取HTTP請求參數(shù)出現(xiàn)亂碼，JDBC查詢到的數(shù)據(jù)亂碼等等，這些問題很常見，遇到的時候隨手搜一下都可以順利解決，所以沒有深入的去了解。

直到前兩天同學(xué)與我談起一個Java源文件的編碼問題（這問題在最后一個實例分析），從這個問題入手拉扯出了一連串的問題，然后我們一邊查資料一邊討論，直到深夜，終于在一篇博客中找到了關(guān)鍵性線索，解決了所有的疑惑，以前沒有理解的語句都能解釋清楚了。因此我決定用這篇隨筆，記錄我對一些編碼問題的理解以及實驗的結(jié)果。

下面有些概念是我自己結(jié)合實際的理解，如果有誤，請一定不吝指正。

二、概念總結(jié)

早期，互聯(lián)網(wǎng)還沒有發(fā)展起來，計算機僅用于處理一些本地的資料，所以很多國家和地區(qū)針對本土的語言設(shè)計了編碼方案，這種與區(qū)域相關(guān)的編碼統(tǒng)稱為ANSI編碼（因為都是對ANSI-ASCII碼的擴展）。但是他們沒有事先商量好怎么相互兼容，而是自己搞自己的，這樣就埋下了編碼沖突的禍根，比如大陸使用的GB2312編碼與臺灣使用的Big5編碼就有沖突，同樣的兩個字節(jié)，在兩種編碼方案里表示的是不同的字符，隨著互聯(lián)網(wǎng)的興起，一個文檔里經(jīng)常會包含多種語言，計算機在顯示的時候就遇到麻煩了，因為它不知道這兩個字節(jié)到底屬于哪種編碼。

這樣的問題在世界上普遍存在，因此重新定義一個通用的字符集，為世界上所有字符進行統(tǒng)一編號的呼聲不斷高漲。

由此Unicode碼應(yīng)運而生，它為世界上所有字符進行了統(tǒng)一編號，由于它可以唯一標識一個字符，所以字體也只需要針對Unicode碼進行設(shè)計就行了。但Unicode標準定義的是一個字符集，而沒有規(guī)定編碼方案，也就是說它僅僅定義了一個個抽象的數(shù)字與其對應(yīng)的字符，而沒有規(guī)定具體怎么存儲一串Unicode數(shù)字，真正規(guī)定怎么存儲的是UTF-8、UTF-16、UTF-32等方案，所以帶有UTF開頭的編碼，都是可以直接通過計算和Unicode數(shù)值（CodePoint，代碼點）進行轉(zhuǎn)換的。顧名思義，UTF-8就是8位長度為基本單位編碼，它是變長編碼，用1~6個字節(jié)來編碼一個字符（因為受Unicode范圍的約束，所以實際最大只有4字節(jié)）；UTF-16是16位為基本單位編碼，也是變長編碼，要么2個字節(jié)要么4個字節(jié)；UTF-32則是定長的，固定4字節(jié)存儲一個Unicode數(shù)。

其實我以前一直對Unicode有點誤解，在我的印象中Unicode碼最大只能到0xFFFF，也就是最多只能表示2^16個字符，在仔細看了維基百科之后才明白，早期的UCS-2編碼方案確實是這樣，UCS-2固定使用兩個字節(jié)來編碼一個字符，因此它只能編碼BMP（基本多語言平面，即0x0000-0xFFFF，包含了世界上最常用的字符）范圍內(nèi)的字符。為了要編碼Unicode大于0xFFFF的字符，人們對UCS-2編碼進行了拓展，創(chuàng)造了UTF-16編碼，它是變長的，在BMP范圍內(nèi)，UTF-16與UCS-2完全一致，而BMP之外UTF-16則使用4個字節(jié)來存儲。

為了方便下面的描述，先交代一下代碼單元（CodeUnit）的概念，某種編碼的基本組成單位就叫代碼單元，比如UTF-8的代碼單元為1個字節(jié)，UTF-16的代碼單元為2個字節(jié)，不好解釋，但是很好理解。

為了兼容各種語言以及更好的跨平臺，JavaString保存的就是字符的Unicode碼。它以前使用的是UCS-2編碼方案來存儲Unicode，后來發(fā)現(xiàn)BMP范圍內(nèi)的字符不夠用了，但是出于內(nèi)存消耗和兼容性的考慮，并沒有升到UCS-4（即UTF-32，固定4字節(jié)編碼），而是采用了上面所說的UTF-16，char類型可看作其代碼單元。這個做法導(dǎo)致了一些麻煩，如果所有字符都在BMP范圍內(nèi)還沒事，若有BMP外的字符，就不再是一個代碼單元對應(yīng)一個字符了，length方法返回的是代碼單元的個數(shù)，而不是字符的個數(shù)，charAt方法返回的自然也是一個代碼單元而不是一個字符，遍歷起來也變得麻煩，雖然提供了一些新的操作方法，總歸還是不方便，而且還不能隨機訪問。

此外，我發(fā)現(xiàn)Java在編譯的時候還不會處理大于0xFFFF的Unicode字面量，所以如果你敲不出某個非BMP字符來，但是你知道它的Unicode碼，得用一個比較笨的方法來讓String存儲它：手動計算出該字符的UTF-16編碼（四字節(jié)），把前兩個字節(jié)和后兩個字節(jié)各作為一個Unicode數(shù)，然后賦值給String，示例代碼如下所示。

public static void main(String[] args) {
	//String str = "";    //我們想賦值這樣一個字符，假設(shè)我輸入法打不出來
	//但我知道它的Unicode是0x1D11E
	//String str = "\u1D11E"; //這樣寫不會識別
	//于是通過計算得到其UTF-16編碼 D834 DD1E
	String str = "\uD834\uDD1E";
	//然后這么寫
	System.out.println(str);
	//成功輸出了""
}

Windows系統(tǒng)自帶的記事本可以另存為Unicode編碼，實際上指的是UTF-16編碼。上面說了，主要使用的字符編碼都在BMP范圍內(nèi)，而在BMP范圍內(nèi)，每個字符的UTF-16編碼值與對應(yīng)的Unicode數(shù)值是相等的，這大概就是微軟把它稱為Unicode的原因吧。舉個例子，我在記事本中輸入了”好a“兩個字符，然后另存為Unicode big endian（高位優(yōu)先）編碼，用WinHex打開文件，內(nèi)容如下圖，文件開頭兩個字節(jié)被稱為Byte Order Mark（字節(jié)順序標記），（FE FF）標識字節(jié)序為高位優(yōu)先，然后（59 7D）正是”好“的Unicode碼，（00 61）正是”a“的Unicode碼。

有了Unicode碼，也還不能立即解決問題，因為首先世界上已經(jīng)存在了大量的非Unicode標準的編碼數(shù)據(jù)，我們不可能丟棄它們，其次Unicode的編碼往往比ANSI編碼更占空間，所以從節(jié)約資源的角度來說，ANSI編碼還是有存在的必要的。所以需要建立一個轉(zhuǎn)換機制，使得ANSI編碼可以轉(zhuǎn)換到Unicode進行統(tǒng)一處理，也可以把Unicode轉(zhuǎn)換到ANSI編碼以適應(yīng)平臺的要求。

轉(zhuǎn)換方法說起來比較容易，對于UTF系列或者是ISO-8859-1這種被兼容的編碼，可以通過計算和Unicode數(shù)值直接進行轉(zhuǎn)換（實際可能也是查表），而對于系統(tǒng)遺留下來的ANSI編碼，則只能通過查表的方式進行，微軟把這種映射表稱為CodePage（代碼頁），并按編碼進行分類編號，比如我們常見的cp936就是GBK的代碼頁，cp65001就是UTF-8的代碼頁。下圖是微軟官網(wǎng)查到的GBK->Unicode映射表（目測不全），同理還應(yīng)有反向的Unicode->GBK映射表。

有了代碼頁，就可以很方便的進行各種編碼轉(zhuǎn)換了，比如從GBK轉(zhuǎn)換到UTF-8，只需要先按照GBK的編碼規(guī)則對數(shù)據(jù)按字符劃分，用每個字符的編碼數(shù)據(jù)去查GBK代碼頁，得到其Unicode數(shù)值，再用該Unicode去查UTF-8的代碼頁（或直接計算），就可以得到對應(yīng)的UTF-8編碼。反過來同理。注意：UTF-8是Unicode的標準實現(xiàn)，它的代碼頁中包含了所有的Unicode取值，所以任意編碼轉(zhuǎn)換到UTF-8，再轉(zhuǎn)換回去都不會有任何丟失。至此，我們可以得出一個結(jié)論就是，要完成編碼轉(zhuǎn)換工作，最重要的是第一步要成功的轉(zhuǎn)換到Unicode，所以正確選擇字符集（代碼頁）是關(guān)鍵。

理解了轉(zhuǎn)碼丟失問題的本質(zhì)后，我才突然明白JSP的框架為什么要以ISO-8859-1去解碼HTTP請求參數(shù)，導(dǎo)致我們獲取中文參數(shù)的時候不得不寫這樣的語句：

Stringparam=newString(s.getBytes("iso-8859-1"),"UTF-8");

因為JSP框架接收到的是參數(shù)編碼的二進制字節(jié)流，它不知道這究竟是什么編碼（或者不關(guān)心），也就不知道該查哪個代碼頁去轉(zhuǎn)換到Unicode。然后它就選擇了一種絕對不會產(chǎn)生丟失的方案，它假設(shè)這是ISO-8859-1編碼的數(shù)據(jù)，然后查ISO-8859-1的代碼頁，得到Unicode序列，因為ISO-8859-1是按字節(jié)編碼的，而且不同于ASCII的是，它對0~255空間的每一位都進行了編碼，所以任意一個字節(jié)都能在它的代碼頁中找到對應(yīng)的Unicode，若再從Unicode轉(zhuǎn)回原始字節(jié)流的話也就不會有任何丟失。它這樣做，對于不考慮其他語言的歐美程序員來說，可以直接用JSP框架解碼好的String，而要兼容其他語言的話也只需要轉(zhuǎn)回原始字節(jié)流，再以實際的代碼頁去解碼一下就好。

我對Unicode以及字符編碼的相關(guān)概念闡述完畢，接下來用Java實例來感受一下。

三、實例分析

1.轉(zhuǎn)換到Unicode——String構(gòu)造方法

String的構(gòu)造方法就是把各種編碼數(shù)據(jù)轉(zhuǎn)換到Unicode序列（以UTF-16編碼存儲），下面這段測試代碼，用來展示JavaString構(gòu)造方法的應(yīng)用，實例中都不涉及非BMP字符，所以就不用codePointAt那些方法了。

public class Test {
	public static void main(String[] args) throws IOException {
		//"你好"的GBK編碼數(shù)據(jù)
		byte[] gbkData = {(byte)0xc4, (byte)0xe3, (byte)0xba, (byte)0xc3
	}
	;
	//"你好"的BIG5編碼數(shù)據(jù)
	byte[] big5Data = {(byte)0xa7, (byte)0x41, (byte)0xa6, (byte)0x6e
}
;
//構(gòu)造String，解碼為Unicode
String strFromGBK = new String(gbkData, "GBK");
String strFromBig5 = new String(big5Data, "BIG5");
//分別輸出Unicode序列
showUnicode(strFromGBK);
showUnicode(strFromBig5);
}
public static void showUnicode(String str) {
for (int i = 0; i < str.length(); i++) {
	System.out.printf("\\u%x", (int)str.charAt(i));
}
System.out.println();
}
}

運行結(jié)果如下圖

可以發(fā)現(xiàn)，由于String掌握了Unicode碼，要轉(zhuǎn)換到其它編碼soeasy！

3.以Unicode為橋梁，實現(xiàn)編碼互轉(zhuǎn)

有了上面兩部分的基礎(chǔ)，要實現(xiàn)編碼互轉(zhuǎn)就很簡單了，只需要把他們聯(lián)合使用就可以了。先newString把原編碼數(shù)據(jù)轉(zhuǎn)換為Unicode序列，再調(diào)用getBytes轉(zhuǎn)到指定的編碼就OK。

比如一個很簡單的GBK到Big5的轉(zhuǎn)換代碼如下

public static void main(String[] args) throws UnsupportedEncodingException {
	//假設(shè)這是以字節(jié)流方式從文件中讀取到的數(shù)據(jù)（GBK編碼）
	byte[] gbkData = {(byte) 0xc4, (byte) 0xe3, (byte) 0xba, (byte) 0xc3
}
;
//轉(zhuǎn)換到Unicode
String tmp = new String(gbkData, "GBK");
//從Unicode轉(zhuǎn)換到Big5編碼
byte[] big5Data = tmp.getBytes("Big5");
//后續(xù)操作……
}

4.編碼丟失問題

上面已經(jīng)解釋了，JSP框架采用ISO-8859-1字符集來解碼的原因。先用一個例子來模擬這個還原過程，代碼如下

public class Test {
	public static void main(String[] args) throws UnsupportedEncodingException {
		//JSP框架收到6個字節(jié)的數(shù)據(jù)
		byte[] data = {(byte) 0xe4, (byte) 0xbd, (byte) 0xa0, (byte) 0xe5, (byte) 0xa5, (byte) 0xbd
	}
	;
	//打印原始數(shù)據(jù)
	showBytes(data);
	//JSP框架假設(shè)它是ISO-8859-1的編碼，生成一個String對象
	String tmp = new String(data, "ISO-8859-1");
	//**************JSP框架部分結(jié)束********************
	//開發(fā)者拿到后打印它發(fā)現(xiàn)是6個歐洲字符，而不是預(yù)期的"你好"
	System.out.println(" ISO解碼的結(jié)果：" + tmp);
	//因此首先要得到原始的6個字節(jié)的數(shù)據(jù)（反查ISO-8859-1的代碼頁）
	byte[] utfData = tmp.getBytes("ISO-8859-1");
	//打印還原的數(shù)據(jù)
	showBytes(utfData);
	//開發(fā)者知道它是UTF-8編碼的，因此用UTF-8的代碼頁，重新構(gòu)造String對象
	String result = new String(utfData, "UTF-8");
	//再打印，正確了！
	System.out.println(" UTF-8解碼的結(jié)果：" + result);
}
public static void showBytes(byte[] data) {
	for (byte b : data)
	      System.out.printf("0x%x ", b);
	System.out.println();
}
}

運行結(jié)果如下，第一次輸出是不正確的，因為解碼規(guī)則不對，也查錯了代碼頁，得到的是錯誤的Unicode。然后發(fā)現(xiàn)通過錯誤的Unicode反查ISO-8859-1代碼頁還能完美的還原數(shù)據(jù)。

這不是重點，重點如果把“中”換成“中國”，編譯就會成功，運行結(jié)果如下圖。另外進一步可發(fā)現(xiàn)，中文字符個數(shù)為奇數(shù)時編譯失敗，偶數(shù)時通過。這是為什么呢？下面詳細分析一下。

因為JavaString內(nèi)部使用的是Unicode，所以在編譯的時候，編譯器就會對我們的字符串字面量進行轉(zhuǎn)碼，從源文件的編碼轉(zhuǎn)換到Unicode（維基百科說用的是與UTF-8稍微有點不同的編碼）。編譯的時候我們沒有指定encoding參數(shù)，所以編譯器會默認以GBK方式去解碼，對UTF-8和GBK有點了解的應(yīng)該會知道，一般一個中文字符使用UTF-8編碼需要3個字節(jié)，而GBK只需要2個字節(jié)，這就能解釋為什么字符數(shù)的奇偶性會影響結(jié)果，因為如果2個字符，UTF-8編碼占6個字節(jié)，以GBK方式來解碼恰好能解碼為3個字符，而如果是1個字符，就會多出一個無法映射的字節(jié)，就是圖中問號的地方。

再具體一點的話，源文件中“中國”二字的UTF-8編碼是e4b8ade59bbd，編譯器以GBK方式解碼，3個字節(jié)對分別查cp936得到3個Unicode值，分別是6d93e15e6d57，對應(yīng)結(jié)果圖中的三個奇怪字符。如下圖所示，編譯后這3個Unicode在.class文件中實際以類UTF-8編碼存儲，運行的時候，JVM中存儲的就是Unicode，然而最終輸出時，還是會編碼之后傳遞給終端，這次約定的編碼就是系統(tǒng)區(qū)域設(shè)置的編碼，所以如果終端編碼設(shè)置改了，還是會亂碼。我們這里的e15e在Unicode標準中并沒有定義相應(yīng)的字符，所以在不同平臺不同字體下顯示會有所不同。