文字编码的那些事

2017-11-13 01:07 |来自: 互联网 8008 0

摘要: 我们经常听到纯文本格式和二进制编码，什么是纯文本，什么是二进制呢？以一个例子做说明。新建一个文件叫hello.txt，内容为：hello, world 这个文件有12个字节：借助Node.js可以看这个文件在硬盘的原始二进制存储是 ...

我们经常听到纯文本格式和二进制编码，什么是纯文本，什么是二进制呢？以一个例子做说明。新建一个文件叫hello.txt，内容为：

hello, world

这个文件有12个字节：

借助Node.js可以看这个文件在硬盘的原始二进制存储是什么，如下代码：

let fs = require("fs");
// 读取原始二进制内容
let buffer = fs.readFileSync("hello.txt"); 
console.log(buffer);

运行后控制台输出12个字节的二进制内容（以十六进制显示）：

参考ASCII表，我们发现这些数字刚好是英文对应的ASCII编码，如下图所示：

如果这个文本文件以utf-8读取的方式：

let fs = require("fs");
let text = fs.readFileSync("hello.txt", "utf-8"); 
console.log(text);

输出的就是文本：

这里看到了两种截然不同的输出结果，但实际上不管是纯文本文件还是二进制文件，硬盘或者内存里存储的都是0101，就看你如何解读它，或者说怎么解码。（只不过我们通常说的纯文本是指那种能够解码成可读文本的格式，二进制文件格式指那种无法用UTF-8等文本解码的文件如图片。）

如下图所示：

如果认为是UTF-8的话，一个编码可以对应一个文字。文字的字形又是怎么来的呢？它是在字体文件里面，以svg矢量格式存储着每个字符的形状。究竟什么是UTF/UTF-8编码呢？

UTF编码

1个字节最多只表示0 ~ (2^8 – 1)共256个字符，ASCII使用7位表示128个字符，能够满足现代英语的要求，对于特殊符号、亚洲语言、Emoj又应该如何表示？我们按上面的方法，查看以下包含中文和Emoji字符的文件存储的是什么：

we 发 财 🤑

如下图所示：

其中20是空格的编码，可以看到一个英文还是1个字节，一个中文用了3个字节，而一个Emoj用了4个字节。它怎么知道每次应该读取多少个字节呢？如下图所示：

如果一个字节是0开头，表示这个字节就表示一个字符，如果是3个1开头表示这个字符要占3个字节，有多少个1就表示当前字符占用了多少个字节。这个就是UTF-8的存储特点，UTF规定了每个字符的编号，而UTF-8定义了字符应该怎么存储。从unicode官网可以查到，“我”的UTF编码是6211，如下图所示：

6211怎么变成utf-8编码呢？因为6211落在下面这个范围：

U+ 0800 ~ U+ FFFF: 1110XXXX 10XXXXXX 10XXXXXX

所以是这么转的：

“我”的utf-8就是E6 88 91，可以对比encodeURIComponent的结果：

可以说utf-8让utf得到了实现，utf-8是当前互联网上使用最广的文本编码方式。除了utf-8还有utf-16，它们和utf的转换关系如下所示：

UTF-8 
U+ 0000 ~ U+ 007F: 0XXXXXXX
U+ 0080 ~ U+ 07FF: 110XXXXX 10XXXXXX 
U+ 0800 ~ U+ FFFF: 1110XXXX 10XXXXXX 10XXXXXX 
U+10000 ~ U+10FFFF: 11110XXX 10XXXXXX 10XXXXXX 10XXXXXX

UTF-16 
U+0000 - U+FFFF         xxxxxxxx xxxxxxxx
U+10000 - U+10FFFF   110110xx xxxxxxxx 110111xx xxxxxxxx

utf-8的优点在于一个英文只要一个字节，但是一个中文却是3个字节，utf-16的优点在于编码长度固定，一个中文只要两2个字节，但是一个英文也要两个字节。所以对于英文网页utf-8编码更加有利，而对于中文网页使用utf-16应该更加有利。因为绝大部分的中文都是落在U+0000到U+FFFF。而对于Emoj这种不太常用排在后面的符号，不管是utf-8还是utf-16都需要4个字节。同时utf-32都是固定4个字节。

完整的UTF编码可以在官网查到，这里列一些符号及其编码的范围，如下图所示：

中文汉字是从4E00到9FFF，大约有两万个。FXXXX和10XXXX的编码是用于自定义的，如可以用于图标字体，但是图标字体通常没有使用这个范围，而是用更简短的编码，这些编码刚好映射到其它正常字符集如繁体字，这样就导致图标字体还没加载好之前系统会使用默认的字体，页面就会先显示繁体字然后再恢复成图标。这种问题在安卓手机会出现。

我们可以直接在html上使用UTF编码，如：

那么网页上将会显示：

这个也叫html实体(entity)，通常用于特殊符号的转义或者图标字体。

然后我们再讨论下乱码。

乱码

用文本编辑器打开一个二进制文件，例如打开一个图片文件：

很多文本编辑器默认是使用utf-8编码，如submlime：

每个编码如果对应一个符号就显示出来，但是这些符号连起来看起来比较乱，所以就“乱码”了。

这里举一个实际的乱码问题，windows的压缩包，在mac解压文件名通常会乱码，如下图所示，这是为什么呢？

windows的默认编码方式是ANSI，使用windows自带的文本编辑器可以保存以下几种编码：

ANSI根据locale，简体中文是使用GBK。什么是GBK呢？GBK是中文的地方性编码，如“我”的GBK编码是CED2，最开始的中文编码标准是GB2312，收录了6000多个常用汉字，后来又出了GBK，把繁体字收进去了，再后来又出了GB18030把少数民族的语言收录了，各种编码关系如下图所示：

但是Mac的软件一般是使用utf-8，中文应该是3个字节，但是现在只有2个字节，还对不上，所以解压的时候就变成了其它的符号，看起来乱码了。Mac可以装一个叫the unarchive的软件，它有算法自动检测字符编码：

用它解压的文件名就没有问题。另外，很多代码编辑器一般默认是使用utf-8，在windows自带的文本编辑器保存的txt在这种编辑器打开将会乱码：

当选择了正确的编码方式后显示就正常了：

关于文字编码还有一个经常会遇到的问题，那就是回车与换行。

回车与换行

Sublime的默认换行方式是根据系统设置，如下图Sublime的设置：

从它的注释还可以看到windows是使用CRLF，而unix系的系统是使用LF：

CR：Carriage Return （回车\r）
LF：Line Feed（换行\n）

也就是说windows的换行是\r\n，而unix系的如Mac是使用\n。回车和换行有什么区别呢？回车是指把光标移到行首，而换行是把光标换到下一行。如果在Node.js里面运行以下代码：

console.log("hello, world\rgoodbye, world");

那么将会输出"goodbye, world"：

"hello, world"被覆盖了，这就是回车符的作用。后来可能出于节省空间的目的，unix的换行就只有\n了。

"\r"在git里面会被显示成^M：

有时候还会遇到另外一个问题：在绑host的时候，从QQ复制的消息粘贴到host文件里，MAC可能会多了个\r导致没有生效，而windows可能会少了\r出问题，虽然在你的编辑器里看起来可能都是正常换行的。

再讨论下字符串长度的问题。

字符串长度

Java和JS的字符串都是使用UTF-16编码，因为它有长度比较固定的优势，不像UTF-8字节数可能从1变到4。如下图所示：

英文和中文长度都是1，而Emoj的长度是2，因为长度单位是2个字节作为1，Emoj的需要4个字节，因此长度是2。

可以使用charCodeAt返回当前字符的utf编码：

如果是要检测中文的话可以使用正则表达式，看当前符号是否落在中文编码的范围内：

在Mysql里面，如果一个字段的类型为VARCHAR(10)的话，那么它最多可以存储10个英文或者10个中文，如果这个字段使用的是默认的utf-8编码，那么它需要占10 * 3 = 30个字节，如果使用了GBK编码，那么它需要使用10 * 2 = 20个字节。

meta charset标签

我们通常会给页面head标签加一个charset的meta，指明当前页面的编码方式：

<meta charset="utf-8">

在html4里面是这么写的：

<meta http-equiv="Content-Type" content=

声明：文章版权归原作者所有部分文章转自互联网如有侵权请联系 [邮箱地址] 删除

路过

雷人

握手

鲜花

鸡蛋

收藏分享邀请

上一篇：从java1到java9每个版本都有什么新特性？下一篇：90%程序员面试都用得上的索引优化

文字编码的那些事

UTF编码

乱码

回车与换行

字符串长度

meta charset标签

最新评论

相关分类