（4）UTF-8

從前述內(nèi)容可以看出：無(wú)論是UCS-2/4還是UTF-16/32，一個(gè)字符都需要多個(gè)字節(jié)來(lái)編碼，這對(duì)那些英語(yǔ)國(guó)家來(lái)說(shuō)多浪費(fèi)帶寬?。。ㄓ绕湓诰W(wǎng)速本來(lái)就不快的那個(gè)年代......），而且我們注意到UTF-16最少2字節(jié)和UTF-32不變4字節(jié)，這肯定是不兼容ASCII碼的，由此，UTF-8產(chǎn)生了。

在UTF-8編碼中，ASCII碼中的字符還是ASCII碼的值，只需要一個(gè)字節(jié)表示，其余的字符需要2字節(jié)、3字節(jié)或4字節(jié)來(lái)表示。

UTF-8的編碼規(guī)則：

• 對(duì)于ASCII碼中的符號(hào)，使用單字節(jié)編碼，其編碼值與ASCII值相同。其中ASCII值的范圍為0~0x7F，所有編碼的二進(jìn)制值中第一位為0（這個(gè)正好可以用來(lái)區(qū)分單字節(jié)編碼和多字節(jié)編碼）。

• 其它字符用多個(gè)字節(jié)來(lái)編碼（假設(shè)用N個(gè)字節(jié)），多字節(jié)編碼需滿(mǎn)足：第一個(gè)字節(jié)的前N位都為1，第N+1位為0，后面N-1 個(gè)字節(jié)的前兩位都為10，這N個(gè)字節(jié)中其余位全部用來(lái)存儲(chǔ)Unicode中的碼位值。

現(xiàn)如今UTF-8 是互聯(lián)網(wǎng)上使用最廣的一種 Unicode 的實(shí)現(xiàn)方式，是其他兩種無(wú)可比擬的。

（5）UTF的字節(jié)序和BOM

字節(jié)序就要先補(bǔ)充一點(diǎn)知識(shí)：

碼元（code unit）：是能用于處理或交換編碼文本的最小比特組合。它代表某種編碼中最小的可用來(lái)識(shí)別一個(gè)合法字符的最小字節(jié)數(shù)序列。

• UTF-8使用變長(zhǎng)的字節(jié)序列來(lái)表示字符；某個(gè)字符(對(duì)應(yīng)一個(gè)碼點(diǎn))可能使用1-4個(gè)字節(jié)才能表示；在UTF-8中一個(gè)字符最小可能一個(gè)字節(jié)，所以我們規(guī)定1個(gè)字節(jié)就是一個(gè)碼元；

• UTF-16使用也變長(zhǎng)字節(jié)序列來(lái)表示字符；某個(gè)字符(對(duì)應(yīng)一個(gè)碼點(diǎn))可能使用2個(gè)或者4個(gè)字符來(lái)表示；因?yàn)?個(gè)字節(jié)序列是最小的能夠識(shí)別一個(gè)碼點(diǎn)的單位，同理我們規(guī)定2個(gè)字節(jié)就是一個(gè)碼元；

• UTF-32使用定長(zhǎng)的4個(gè)字節(jié)表示一個(gè)字符；一個(gè)字符(對(duì)應(yīng)一個(gè)碼點(diǎn))使用4個(gè)字符來(lái)表示，這樣4個(gè)字節(jié)就是一個(gè)碼元。

簡(jiǎn)單來(lái)說(shuō)，就是“碼點(diǎn)”經(jīng)過(guò)映射后得到的二進(jìn)制串的轉(zhuǎn)換格式單位稱(chēng)之為“碼元”。“碼點(diǎn)”就是一串二進(jìn)制數(shù)，“碼元”就是切分這個(gè)二進(jìn)制數(shù)的方法。這些編碼每次處理一個(gè)碼元，你可以把它理解為UTF-8每次讀碼點(diǎn)的8位，UTF-16每次讀碼點(diǎn)的16位，UTF-32每次讀碼點(diǎn)的32位,。當(dāng)然這也是為什么叫這些叫Unicode轉(zhuǎn)換格式的原因。處理的是同一個(gè)字符集，但是處理方式不同。

三

字節(jié)序

UTF-8一次一個(gè)UTF-8碼元，即處理一個(gè)字節(jié)，沒(méi)有字節(jié)序的問(wèn)題。UTF-16一次處理一個(gè)UTF-16碼元，對(duì)應(yīng)兩個(gè)字節(jié)，UTF-32一次一個(gè)UTF-32碼元，對(duì)應(yīng)處理四個(gè)字節(jié)，所以這就要考慮到一個(gè)字節(jié)序問(wèn)題。

以UTF-16w為例，在解釋一個(gè)UTF-16編碼文本前，首先要弄清楚每個(gè)編碼單元的字節(jié)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(jié)流“594E”，那么這是“奎”還是“乙”？這就考慮大小端問(wèn)題，所以UTF-16編碼包括三種：UTF-16BE（Big Endian），UTF-16LE（Little Endian）、UTF-16（類(lèi)似的名稱(chēng)UCS-2BE和UCS-2LE用于顯示UCS-2的版本。）

UTF-16BE和UTF-16LE好理解，直接指定了字節(jié)序（大小端），但是UTF-16怎么處理呢？

Unicode規(guī)范中推薦的標(biāo)記字節(jié)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-BREAKSPACE"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(yīng)該出現(xiàn)在實(shí)際傳輸中。UCS規(guī)范建議我們?cè)趥鬏斪止?jié)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(jié)流是Big-Endian的；如果收到FFFE，就表明這個(gè)字節(jié)流是Little-Endian的。

同樣的類(lèi)比，UTF-32也是這樣的。有UTF-32BE、UTF-32LE、UTF-32。前面UTF-32BE和UTF-32LE直接指定了字節(jié)序（大小端），后面的UTF-32也是靠BOM。

UTF-8不需要BOM來(lái)表明字節(jié)順序，但可以用BOM來(lái)表明編碼方式。字符"ZERO WIDTH NO-BREAKSPACE"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(yàn)證一下）。所以如果接收者收到以EF BB BF開(kāi)頭的字節(jié)流，就知道這是UTF-8編碼了。

Windows就是使用BOM來(lái)標(biāo)記文本文件的編碼方式的。它就建議所有的 Unicode 文件應(yīng)該以 ZERO WIDTH NOBREAK SPACE（U+FEFF）字符開(kāi)頭。這作為一個(gè)“特征符”或“字節(jié)順序標(biāo)記（byte-ordermark，BOM）”來(lái)識(shí)別文件中使用的編碼和字節(jié)順序。所以用Windows自帶的記事本將文件保存為UTF-8編碼的時(shí)候，記事本會(huì)自動(dòng)在文件開(kāi)頭插入BOM（雖然BOM對(duì)UTF-8來(lái)說(shuō)并不是必須的）。

但也有一些系統(tǒng)或程序不支持BOM，因此帶有BOM的Unicode文件有時(shí)會(huì)帶來(lái)一些問(wèn)題。比如JDK1.5以及之前的Reader都不能處理帶有BOM的UTF-8編碼的文件，解析這種格式的xml文件時(shí)，會(huì)拋出異常：Content is not allowed inprolog。

Linux/UNIX 并沒(méi)有使用 BOM，因?yàn)樗鼤?huì)破壞現(xiàn)有的 ASCII 文件的語(yǔ)法約定。所以一般我們不建議用Windows自帶的記事本編輯UTF-8文件就是這樣。

四

總結(jié)

1、簡(jiǎn)單地說(shuō)：Unicode和UCS是字符集，不屬于編碼UTF-8、UTF-16、UTF-32等是針對(duì)Unicode字符集的編碼，UCS-2和UCS-4是針對(duì)UCS字符集的編碼（只是我們習(xí)慣把Unicode字符集編碼簡(jiǎn)稱(chēng)為Unicode編碼，把UCS字符集編碼稱(chēng)為UCS編碼）。

Unicode沿用UCS字符集，在UCS-2和UCS-4基礎(chǔ)上提出的UTF-16、UTF-32。并發(fā)展了UTF-8，發(fā)展到現(xiàn)在，就密不可分了，大家基于UCS就把Uniocde維護(hù)好就行，發(fā)布標(biāo)準(zhǔn)大家統(tǒng)一。以往的UCS-2和UCS-4概念就默認(rèn)作廢了這樣一個(gè)關(guān)系，整個(gè)他們的發(fā)展長(zhǎng)話(huà)短說(shuō)就是這樣，懂了嗎。

2、UTF-8、UTF-16、UTF-32、UCS-2、UCS-4對(duì)比：

由于歷史方面的原因，你還會(huì)在不少地方看到把Unicode稱(chēng)為一種編碼的情況，那是因?yàn)?span style="-webkit-tap-highlight-color: transparent; box-sizing: border-box; font-weight: 700; margin: 0px; padding: 0px; border: 0px;">早期的2字節(jié)編碼最初稱(chēng)為“ Unicode”，但現(xiàn)在稱(chēng)為“ UCS-2”，這種情況下的 Unicode 通常就是 UTF-16 或者是更早的 UCS-2 編碼，只是被一直搞混了，在某些老軟件上尤為常見(jiàn)。比如下面editplus里面文件編碼設(shè)置。

以前的Windows電腦上的記事本（左邊）顯示的是Unicode，不過(guò)現(xiàn)在好像改了變成了UTF-16。

不過(guò)由于各種原因，必須承認(rèn)，在不同的語(yǔ)境下，“Unicode”這個(gè)詞有著不同的含義。

它可能指：

（1）Unicode 標(biāo)準(zhǔn)

（2）Unicode 字符集

（3）Unicode 的抽象編碼（編號(hào)），也即碼點(diǎn)、碼位（code point）

（4）Unicode 的一個(gè)具體編碼實(shí)現(xiàn)，通常即為變長(zhǎng)的 UTF-16（16 或 32 位），又或者是更早期的定長(zhǎng) 16 位的 UCS-2

所以像我一般有時(shí)候非要區(qū)分的話(huà)都是直接說(shuō)全，Unicode 標(biāo)準(zhǔn)，Unicode 字符集，Unicode編碼等等。

五

ANSI編碼

為使計(jì)算機(jī)支持更多語(yǔ)言，通常使用0x800~xFF范圍的2個(gè)字節(jié)來(lái)表示1個(gè)字符。比如：漢字‘中’ 在中文操作系統(tǒng)中，使用 [0xD6,0xD0]這兩個(gè)字節(jié)存儲(chǔ)。

不同的國(guó)家和地區(qū)制定了不同的標(biāo)準(zhǔn)，由此產(chǎn)生了 GB2312、GBK、GB18030、Big5、Shift_JIS 等各自的編碼標(biāo)準(zhǔn)。這些使用多個(gè)字節(jié)來(lái)代表一個(gè)字符的各種語(yǔ)言延伸編碼方式，稱(chēng)為 ANSI 編碼。

在簡(jiǎn)體中文Windows操作系統(tǒng)中，ANSI 編碼代表 GBK 編碼；在繁體中文Windows操作系統(tǒng)中，ANSI編碼代表Big5；在日文Windows操作系統(tǒng)中，ANSI 編碼代表 Shift_JIS 編碼。

不同 ANSI 編碼之間互不兼容，當(dāng)信息在國(guó)際間交流時(shí)，無(wú)法將屬于兩種語(yǔ)言的文字，存儲(chǔ)在同一段 ANSI 編碼的文本中。

在使用ANSI編碼支持多語(yǔ)言階段，每個(gè)字符使用一個(gè)字節(jié)或多個(gè)字節(jié)來(lái)表示（MBCS，Multi-Byte Character System），因此，這種方式存放的字符也被稱(chēng)作多字節(jié)字符。比如，“中文123” 在中文 Windows 95 內(nèi)存中為7個(gè)字節(jié)，每個(gè)漢字占2個(gè)字節(jié)，每個(gè)英文和數(shù)字字符占1個(gè)字節(jié)。

在非 Unicode 環(huán)境下，由于不同國(guó)家和地區(qū)采用的字符集不一致，很可能出現(xiàn)無(wú)法正常顯示所有字符的情況。微軟公司使用了代碼頁(yè)（Codepage）轉(zhuǎn)換表的技術(shù)來(lái)過(guò)渡性的部分解決這一問(wèn)題，即通過(guò)指定的轉(zhuǎn)換表將非Unicode 的字符編碼轉(zhuǎn)換為同一字符對(duì)應(yīng)的系統(tǒng)內(nèi)部使用的Unicode 編碼。

可以在“語(yǔ)言與區(qū)域設(shè)置”中選擇一個(gè)代碼頁(yè)作為非 Unicode 編碼所采用的默認(rèn)編碼方式，如936為簡(jiǎn)體中文GBK，950為正體中文Big5（皆指PC上使用的）。在這種情況下，一些非英語(yǔ)的歐洲語(yǔ)言編寫(xiě)的軟件和文檔很可能出現(xiàn)亂碼。而將代碼頁(yè)設(shè)置為相應(yīng)語(yǔ)言中文處理又會(huì)出現(xiàn)問(wèn)題，這一情況無(wú)法避免。

從根本上說(shuō)，完全采用統(tǒng)一編碼才是解決之道，雖然現(xiàn)在Unicode有了，但由于歷史遺留，老軟件等等原因，所以系統(tǒng)統(tǒng)一用某種編碼格式的Unicode目前尚無(wú)法做到這一點(diǎn)。

代碼頁(yè)技術(shù)現(xiàn)在廣泛為各種平臺(tái)所采用。UTF-7 的代碼頁(yè)是65000，UTF-8的代碼頁(yè)是65001。簡(jiǎn)體中文上使用的代碼頁(yè)為936，GBK編碼。

以前中文DOS、中文/日文Windows95/98時(shí)代系統(tǒng)內(nèi)碼使用的是ANSI編碼（本地化，根據(jù)不同地區(qū)設(shè)置不同的系統(tǒng)內(nèi)碼Windows版本），現(xiàn)在win7，win10等等系統(tǒng)的內(nèi)碼都是用的Unicode。

不過(guò)微軟為了以前的程序兼容性，比如在某些情況下，比如你的程序需要和不支持Unicode的程序交互時(shí)，可能還是會(huì)需要用到code page，提供代碼頁(yè)服務(wù)（就好比微軟不能說(shuō)：“老子支持unicode了，以后不支持Unicode的程序都給我滾粗。”只能撅著屁股讓這些老掉牙的程序仍然可以運(yùn)行，于是只好給他們提供一個(gè)“非Unicode默認(rèn)字符集”） 。可以在cmd下輸入chcp查看code page。

• WindowsAPI 的Wide Char 表達(dá)是 UTF-16: Unicode (Windows), L"" 表示是轉(zhuǎn)換為 wide char。

• Cocoa的NSString 和 Core Foundation 的CFString 內(nèi)部表達(dá)都是 UTF-16，所以其實(shí) OSX 和 iOS 內(nèi)部處理都用的是 UTF-16。

• JavaString 的內(nèi)部表達(dá)是 UTF-16，所以大量跨平臺(tái)程序和 Android 程序其實(shí)內(nèi)部也在用 UTF-16。

• 大部分的操作系統(tǒng)和 UI framework 的內(nèi)部字符串表達(dá)（內(nèi)碼）都是UTF-16，不過(guò)Linux系統(tǒng)內(nèi)使用的內(nèi)碼是UTF-8。

六

Tip：內(nèi)碼和外碼

在計(jì)算機(jī)科學(xué)及相關(guān)領(lǐng)域當(dāng)中，內(nèi)碼指的是“將信息編碼后，透過(guò)某種方式存儲(chǔ)在特定記憶設(shè)備時(shí)，設(shè)備內(nèi)部的編碼形式”。在不同的系統(tǒng)中，會(huì)有不同的內(nèi)碼。

在以往的英文系統(tǒng)中，內(nèi)碼為ASCII。在繁體中文系統(tǒng)中，當(dāng)前常用的內(nèi)碼為大五碼。在簡(jiǎn)體中文系統(tǒng)中，內(nèi)碼則為國(guó)標(biāo)碼。

為了軟件開(kāi)發(fā)方便，如國(guó)際化與本地化，現(xiàn)在許多系統(tǒng)會(huì)使用Unicode做為內(nèi)碼，常見(jiàn)的操作系統(tǒng)Windows、Mac OS X、Linux皆如此。許多編程語(yǔ)言也采用Unicode為內(nèi)碼，如Java、Python3。

外碼：除了內(nèi)碼，皆是外碼。要注意的是，源代碼編譯產(chǎn)生的目標(biāo)代碼文件（如果Java可執(zhí)行文件或class文件）中的編碼方式屬于外碼。