Unicode、UTF-8与GB2312等编码之间是如何转换的

字符编码是运算机技术的基石，想要熟练使用运算机，就必须明白得字符编码的知识。不注意的人可能对那个不在意，但这些名词有时候实在让人困惑，对想学习运算机知识的人来说，搞明白它也十分重要，我也是在学习中慢慢了解了一些这方面的知识。 1. ASCII码

在运算机内部，所有的信息最终都表示为一个二进制的字符串。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能够组合出256种状态，这被称为一个字节〔byte〕。也确实是说，一个字节一共能够用来表示256种不同的状态，每一个状态对应一个符号，确实是256个符号，从0000000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〔十进制的32，用二进制表示确实是00100000〕，大写的字母A是65〔二进制01000001〕。这128个符号〔包括32个不能打印出来的操纵符号〕，只占用了一个字节的后面7位，最前面的1位统一规定为0。下面是截图：具体的能够到那个网页上去查下：

2、非ASCII编码

英语用128个符号编码就够了，然而用来表示其他语言，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。因此，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〕。如此一来，这些欧洲国家使用的编码体系，能够表示最多256个符号。

然而，那个地点又显现了新的问题。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。然而不管如何样，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，确信是不够的，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，因此理论上最多能够表示256x256=65536个符号。 3.Unicode

正如上一节所说，世界上存在着多种编码方式，同一个二进制数字能够被说明成不同的符号。因此，要想打开一个文本文件，就必须明白它的编码方式，否那么用错误的编码方式解读，就会显现乱码。什么缘故电子邮件常常显现乱码？确实是因为发信人和收信人使用的编码方式不一样。说明：同一个文本文件，假设内容是用英语写的，在英语编码的情形下，每个字符会和一个二进制数对应〔如00101000类似〕，然后存到运算机中，这时把那个英语文件发给一个俄语国家的用户，运算机传输的是二进制流，即0101之类的数据，到了俄语用户这方，需要有它的俄语编码方式进行解码，把每个二进制流转为字符显示，由于俄语编码表中对每串二进制流数据的说明方式不同，同一个数据如00101000在英语中可能代表A，而在俄语中那么代表B，如此就会产生乱码，这是我个人的明白得。

GB2312编码、日文编码等也是非unicode编码，是要通过转换表〔codepage〕转换成unicode编码的，要不如何显示出来呢？

能够想象，假如有一种编码，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逝。这确实是Unicode，就像它的名字都表示的，这是一种所有符号的编码。

Unicode因此是一个专门大的集合，现在的规模能够容纳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，能够查询，或者专门的。 4. Unicode的问题

需要注意的是，Unicode只是一个符号集，只是一种规范、标准，它只规定了符号的二进制代码，却没有规定那个二进制代码应该如何储备在运算机上。

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〕，也确实是说那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。

那个地点就有两个严峻的问题，第一个问题是，如何才能区别unicode和ascii？运算机如何明白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，我们差不多明白，英文字母只用一个字节表示就够了，假如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定有二到三个字节是0，这关于储备来说是极大的白费，文本文件的大小会因此大出二三倍，这是无法同意的。

它们造成的结果是：1〕显现了unicode的多种储备方式，也确实是说有许多种不同的二进制格式，能够用来表示unicode。2〕unicode在专门长一段时刻内无法推广，直到互联网的显现。

5.UTF-8

互联网的普及，强烈要求显现一种统一的编码方式。UTF-8确实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和UTF-32，只是在互联网上差不多不用。重复一遍，那个地点的关系是，UTF-8是Unicode的实现方式之一，它规定了字符如何在运算机中储备、传输等。

UTF-8最大的一个特点，确实是它是一种变长的编码方式。它能够使用1~4个字节表示一个符号，依照不同的符号而变化字节长度。 UTF-8的编码规那么专门简单，只有二条：

1〕关于单字节的符号，字节的第一位设为0，后面7位为那个符号的unicode码。因此关于英语字母，UTF-8编码和ASCII码是相同的。

2〕关于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，全部为那个符号的unicode码。 下表总结了编码规那么，字母x表示可用编码的位。 Unicode符号范畴 | 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 下面，依旧以汉字〝严〞为例，演示如何实现UTF-8编码。

〝严〞的unicode是4E25〔100111000100101〕，依照上表，能够发觉4E25处在第三行的范畴内〔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。如此就得到了，〝严〞的UTF-8编码是〝11100100 10111000 10100101”，这是储存在运算机中的实际数据，转换成十六进制确实是E4B8A5，转成十六进制的目的为了便于阅读。

6. Unicode与UTF-8之间的转换

通过上一节的例子，能够看到〝严〞的Unicode码是4E25，UTF-8编码是E4B8A5，两者是不一样的。它们之间的转换能够通过程序实现。

在Windows平台下，有一个最简单的转化方法，确实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。关于英文文件是ASCII编码，关于简体中文文件是GB2312编码〔只针对Windows简体中文版，假如是繁体中文版会采纳Big5码〕。

2〕Unicode编码指的是UCS-2编码方式，即直截了当用两个字节存入字符的Unicode码。那个选项用的little endian格式。

3〕Unicode big endian编码与上一个选项相对应。我在下一节会说明little endian和big endian的涵义。

4〕UTF-8编码，也确实是上一节谈到的编码方法。

选择完〞编码方式〝后，点击〞储存〝按钮，文件的编码方式就赶忙转换好了。 7. Little endian和Big endian

上一节差不多提到，Unicode码能够采纳UCS-2格式直截了当储备。以汉字〞严〝为例，Unicode码是4E25，需要用两个字节储备，一个字节是4E，另一个字节是25。储备的时候，4E在前，25在后，确实是Big endian方式；25在前，4E在后，确实是Little endian方式。 那么专门自然的，就会显现一个问题：运算机如何明白某一个文件到底采纳哪一种方式编码？ 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，那个字符的名字叫做〞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。

假如一个文本文件的头两个字节是FE FF，就表示该文件采纳大头方式；假如头两个字节是FF FE，就表示该文件采纳小头方式。 8. 实例

下面，举一个实例。

打开〞记事本〝程序Notepad.exe，新建一个文本文件，内容确实是一个〞严〝字，依次采纳ANSI，Unicode，Unicode big endian 和 UTF-8编码方式储存。

然后，用文本编辑软件的〞十六进制功能〝，观看该文件的内部编码方式。

1〕ANSI：文件的编码确实是两个字节〝D1 CF〞，这正是〝严〞的GB2312编码，这也暗示GB2312是采纳大头方式储备的。

2〕Unicode：编码是四个字节〝FF FE 25 4E〞，其中〝FF FE〞说明是小头方式储备，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〞说明是大头方式储备。

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”确实是〝严〞的具体编码，它的储备顺序与编码顺序是一致的。 举荐这篇文章看一下： 9.解决的问题：

一、如何在中文系统中运行非Unicode编码程序？

有专门多意大利文版〔除英文版〕学习软件、百科全书等软件在中文系统上会显现乱码，解决方法：

WindowsXP内核是Unicode编码，支持多语种，关于Unicode编码的应用程序会正常显示原文〔因为windows核心是用unicode代码写的，因此不存在问题〕，然而，专门多程序不是用Unicode编码写的，这时WindowsXP系统能够指定以特定的编码运行非Unicode编码程序，中文版WindowsXP默认的是〝简体中文GB2312”。你只需在操纵面板--〉区域和语言选项--〉高级--〉为非Unicode程序的语言选择〝意大利语〞，即可正确运行意大利文版的游戏程序。分析：我明白得的流程是如此：程序------>意大利语编码〔转换表codepage〕------>说明成unicode识别的编码〔通过指定的转换表将非 Unicode 的字符编码转换为同一字符对应的系统内部使用的 Unicode 编码〕------>被系统翻译成意大利文〔因为每个unicode编码对应了相应的意大利文字〕，便能够正常显示了。 二、排除网页乱码？

网页乱码是扫瞄器对HTML网页说明时形成的，假如网页制作时编码为繁体big5，扫瞄器却以编码gb2312显示该网页，就会显现乱码，因此只要你在扫瞄器中也以繁体big5显示该网页，就会排除乱码。打个比方有些像字典，繁体字得用繁体字典来查看，简体字得用简体字典来查看，不然你看不明白。

【解决方法】：在扫瞄器中选择〝编码〞菜单，事先为扫瞄器安装多语言支持包〔例如在安装IE时要安装多语言支持包〕，如此当扫瞄网页显现乱码时，即可手工更换查看此网页的编码方式，在扫瞄器中选择菜单栏下的〝查看〞/〝编码〞/〝自动选择〞/简体中文〔GB2312〕，如为繁体中文那么选择〝查看〞/〝编码〞/〝自动选择〞/繁体中文〔BIG5〕，其他语言依此类推，便可排除网页乱码现象。 分析：因为繁体big5编码后的文件，每个文字对应一个二进制流〔假设是1212对应繁那个字〕，当我们以编码gb2312显示该网页时，gb2312编码会到表里去找1212〔二进制流可不能变的〕对应谁，确信不再是繁那个字了，因此显示的就不再是那个繁字了，也就会显现乱码了。如此明白得简单些，事实上中间还要转换成同一字符对应的系统内部使用的 Unicode 编码，然后通过系统底层unicode编码还原成相应字符显示出来。

举荐两个编码查询网站：1.

2.