2.計算機(jī)存儲設(shè)備存儲的0或1﹐稱為計算機(jī)的一個二進(jìn)制位(bit)。

3.二進(jìn)制文件的0和1有專門的應(yīng)用程序來讀﹐所以它們沒有什么亂不亂碼的問題﹐只要該程序認(rèn)得就行。(像doc,xls,exe,dll等)

4.文本文件就不一樣了﹐notepad要認(rèn)識它﹐vs.net要認(rèn)識它,UE也要認(rèn)識它...所以它們就要有一個標(biāo)準(zhǔn)。這個標(biāo)準(zhǔn)的原理其實(shí)很簡單﹐就是把所有的字符都給它一個序號﹐然后根據(jù)這個序號來找字符就可以了。這個東東就是編碼表,也叫字符集(charset)。

5.文本文件存的都是字符﹐如﹕A,?,@,x。很明顯一個bit不能表示﹐剛好計算機(jī)的存儲單位--字節(jié)(byte)就是多個字節(jié)(1個byte=8個bit),因此用byte來表示字符就理所當(dāng)然了。

6.第一個編碼表--ASCII碼很快產(chǎn)生﹐很簡單﹐就是用一個byte來表示一個字符(最高位置0),總共能存儲128(2^8)個字符。如A用65表示﹐存在計算機(jī)中就是01000001(65)﹐為了書寫方便﹐我們一般記作0x41(16進(jìn)制),97則表示小寫的a,存在計算機(jī)中就是01100001(97)﹐記作0x61。?用63表示,記作0x3F。

7.英語國家的大小寫字母加起來才52個字符﹐再加上數(shù)字﹐符號和一些特殊字符﹐已經(jīng)足夠使用。所以ASCII剛開始非常流行(誰叫計算機(jī)不是咱中國發(fā)明的... )

8.隨著計算機(jī)的普及﹐當(dāng)非英語系的國家開始使用時﹐ASCII已經(jīng)明顯不能滿足了(總不成天天使用xiao sheng來表示"小生"吧),所以這些國家(地區(qū))就開始制訂自己的標(biāo)準(zhǔn)。

9.中國大陸制訂了簡體漢字的字符集(GB2312)。和英語國家不同﹐我們的漢字遠(yuǎn)遠(yuǎn)不止128個﹐所以一個byte肯定不能表示完﹐那就多加個byte,16位(65536)總可以了吧。不過這樣雖解決了位數(shù)不夠的問題﹐但是原來的英文文件怎么辦?總不成又全部拿出來改成雙字節(jié)吧。幸好﹐居然發(fā)現(xiàn)原來的ASCII的第一位居然是0﹐那我們把第1位改成1不就OK了嗎?以后凡看到0開頭的就讀1個字節(jié)﹐1開頭的就讀2個字節(jié)。(而且128*128表示所有的簡體字也足夠了)

10.因此在GB2312標(biāo)準(zhǔn)中,"小"的序號是0xD0A1,表示成11010000 10100001,而A還是表示成01000001,這就是為什么簡體操作系統(tǒng)讀ASCII文件不會亂碼﹐而反之則不然的原因。

11.目前來說﹐情況還比較好﹐中國大陸的計算機(jī)運(yùn)行正常。

12.看到中國大陸制訂了一個標(biāo)準(zhǔn)﹐其它國家和地區(qū)也不甘示弱﹐紛紛亮出自己的字符集,于是乎什么BIG5(中國臺灣),shift_jis(日本),ks_c_5601-1987(韓國)都閃亮登場﹐一時間百鳥爭鳴,百花齊放。

13.每個國家都想與ASCII保持兼容﹐理所當(dāng)然﹐后面的字符就完全不一樣了﹐因此﹐同樣的0xD0A1,在GB2312中是"小"字﹐而在BIG5中卻是"苤"字。你想想﹐這樣不亂才怪。

14.到了這時候﹐總有人會想到﹐再這樣繼續(xù)下去是肯定不行的﹐于是它們就想到了﹐如果有一個標(biāo)準(zhǔn)﹐能包括所有字符那不就OK了嗎?

15.于是"大哥大"標(biāo)準(zhǔn)就出來了﹐這就是unicode,為了能夠足夠表示世界上的所有字符這樣光榮而又偉大的任務(wù)﹐這家伙用了四個字節(jié)來表示(2的32次方到底是多少﹐我也懶得算了),這下好了﹐天下太平了﹐再也不會有麻煩了﹐耳根清靜了...

15.不過unicode好是好﹐但是畢竟四個字節(jié)表示一個字符"浪費(fèi)"太大了(我那破貓上網(wǎng)容易嗎﹐電信黑呀﹐說好是2M﹐就給我200K...)﹐而且大家"驚奇"地發(fā)現(xiàn)﹐居然世界上一些"較強(qiáng)大"的國家的字符剛好集中在前65536位前﹐呵呵﹐結(jié)果unicode也分成了unicode-16和unicode-32了﹐自然﹐前者只用兩個字節(jié)表示(所以只能表示前65536位嘍,歐亞國家大部分字符都OK了﹐什么﹐你們那個@$Y$%字符沒有﹐呵呵﹐不管我什么事,找標(biāo)準(zhǔn)協(xié)會﹐都是那幫家伙弄的...)

16.雖然標(biāo)準(zhǔn)出來了﹐可是好歹ASCII也用了這么久﹐那些英語國家也在那里嚷嚷﹐這倒好﹐搞個什么破標(biāo)準(zhǔn)﹐我們又沒有得到什么好處﹐反而讓我們原來的程序都運(yùn)行不了了(為什么呀﹐你想想﹐原來我們的程序字符都是一個字節(jié)一個字節(jié)認(rèn)﹐現(xiàn)在倒好﹐全改成2個一起認(rèn)﹐這還怎么跑呀?)﹐況且我們憑白無故了用了這么多0﹐真別扭(unicode中的前128位還是ASCII標(biāo)準(zhǔn)﹐只不過在前面加了8個0)﹐由于那些國家"勢力"比較大﹐所以這個問題不容忽視

17.這個世界上的牛人總是這么多﹐這個問題很容易就被小意思地解決了。

18.想想GB2312怎么解決與ASCII兼容的問題的(1開頭的就讀2個字節(jié)﹐0開頭的就讀1個字節(jié))﹐同樣﹐UTF也這樣﹐0開頭的讀1個字節(jié)(ASCII碼)﹐110開頭的讀2個字節(jié)﹐1110開頭的讀3個字節(jié)﹐這就是偉大的UTF-8(當(dāng)然還有UTF-16,原理一樣﹐xx開頭的讀4個字節(jié)﹐xx開頭的讀5個字節(jié)﹐xx開頭的讀6個字節(jié))

19.當(dāng)然UTF-8沒GB2312這么簡單﹐讀完之后不能直接查編碼表﹐多加一個步驟﹐按照模板提取一下字符再查就OK了

以下就是UTF-8的模板
0x0000 - 0x007F用一個字節(jié)表示 0xxxxxxx 
0x0080 - 0x07FF用兩個字節(jié)表示 110xxxxx 10xxxxxx 
0x0800 - 0xFFFF用三個字節(jié)表示 1110xxxx 10xxxxxx 10xxxxxx 
舉個例子吧,
如果你遇到了11100110 10110001 10001001 01000001 這樣的字節(jié)流﹐首先你看第一個字節(jié)以1110開頭﹐即讀3個字節(jié)并按模板提取得到 0110 110001 001001(去除模板標(biāo)志﹐再四字節(jié)四字節(jié)讀即0x6c49),查unicode編碼表就是"漢"字,而最后一個以0開頭就一定是一個字節(jié)了﹐0x0041,也就是"A"。

20.好了﹐上面是原理﹐再來談?wù)労喎斌w操作系統(tǒng)轉(zhuǎn)換時的亂碼問題吧

21.按照我的想法﹐windows操作系統(tǒng)應(yīng)該有一個默認(rèn)的系統(tǒng)字符集﹐如簡體操作系統(tǒng)應(yīng)該是GB碼﹐繁體操作系統(tǒng)則是BIG5,英文操作系統(tǒng)是ASCII。系統(tǒng)內(nèi)的軟件(notepad)默認(rèn)都是使用這個字符集。

22.所以我在繁體操作系統(tǒng)默認(rèn)存儲的文本文件就是BIG5了﹐當(dāng)這個文件到了簡體系統(tǒng)里﹐它的notepad程序則使用自己的默認(rèn)編碼(GB)來讀取﹐這樣就亂了。

23.因此如果在保存時就使用utf-8來保存﹐應(yīng)該在兩系統(tǒng)切換時就不會有問題了。

24.而要解決這個問題其實(shí)也很簡單﹐只要知道這個文本文件原來的編碼就可以了﹐使用它讀出來﹐再轉(zhuǎn)成unicode即可。

======

PS：關(guān)于BOM小知識：

UTF的字節(jié)序和BOM

UTF-8以字節(jié)為編碼單元，沒有字節(jié)序的問題。UTF-16以兩個字節(jié)為編碼單元，在解釋一個UTF-16文本前，首先要弄清楚每個編碼單元的字節(jié)序。例如收到一個“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”？

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是一個有點(diǎn)小聰明的想法：在UCS編碼中有一個叫做"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(yīng)該出現(xiàn)在實(shí)際傳輸中。UCS規(guī)范建議我們在傳輸字節(jié)流前，先傳輸字符"ZERO WIDTH NO-BREAK SPACE"。

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

UTF-8不需要BOM來表明字節(jié)順序，但可以用BOM來表明編碼方式。字符"ZERO WIDTH NO-BREAK SPACE"的UTF-8編碼是EF BB BF。所以如果接收者收到以EF BB BF開頭的字節(jié)流，就知道這是UTF-8編碼了。

Windows就是使用BOM來標(biāo)記文本文件的編碼方式的。

From: http://yingzi-ing.blogbus.com/logs/63443157.html