title | date | tags | categories | |
---|---|---|---|---|
字符编码 |
2018-10-21 03:56:52 -0700 |
|
目录 start
目录 end|2021-03-17 18:06|
- 字符内码(charcter code)指的是用来代表字符的内码.读者在输入和存储文档时都要使用内码,内码分为
- 单字节内码 -- Single-Byte character sets (SBCS), 也就是第一个字节 0-127
- 双字节内码 -- Double-Byte character sets (DBCS), 也就是第二个字节 128-255
ASCII (American Standard Code for Information Interchange) 美国信息交换标准代码 属于单字节内码 并等同于国际标准ISO/IEC 646
- 0-31 以及 127 是控制字符或通信专用字符 (其余为可显示字符)
- 32~126(共95个)是字符(32是空格)
- 其中48~57为0到9十个阿拉伯数字
- 65~90为26个大写英文字母
- 97~122号为26个小写英文字母
- 其余为一些标点符号、运算符号等。
注意
- 在标准ASCII中,其最高位(b7)用作奇偶校验位。 Linux上
man ascii
就可以查看完整表- 经过扩充后 ascii 可大于127
ASCII扩展字符
- ascii 160 不间断空格 non-breaking space
ANSI/ISO8859-1-1987 或称 Latin 1
这个编码就是 ascii 的扩展, 但是只是扩展了一个字节, 然后各个国家的编码又不一致(不同的代码页), 导致了十分混乱 至于简体中文编码GB2312,实际上它是 ANSI 的一个代码页 936
Unicode 是一个囊括了世界上所有字符的字符集,其中每一个字符都对应有唯一的编码值, 但是并不是一个已实现的编码方案, 不能直接使用
其实现有 UTF-8 UTF-16 UTF-32 ... 目前最新版本 11 已经包括 137,439 个字符
问题 直接看, 看不到的字符, 可能带来一些坑
零宽间隔 zero-width space | U+200B |
NO-BREAK SPACE | U+C2A0 |
零宽不折行空格 | U+FEFF html:  |
零宽度连字符 (zero-width joiner) | \u200D |
零宽度断字符 (zero-width non-joiner) | \u200C |
左至右符 (left-to-right mark) | \u200E |
右至左符 (right-to-left mark) | \u200F |
UTF: UCS Transformation Format, UCS: Unicode Character Set
它是将Unicode编码规则和计算机的实际编码对应起来的一个规则。现在流行的UTF有2种:UTF-8和UTF-16.
关于 BOM
- 找出含BOM的文件
grep -r $'\xEF\xBB\xBF'
- 通过 vim 进行转换, 去除
:set nobomb
加上 BOM:set bomb
UTF-8 是一种Unicode的实现方式, 是一种
变长编码方案
(1-6 字节), 在表示中文时是采用三字节 四字节
的方式, 已成为WEB领域事实标准编码占3个字节的:基本等同于GBK,含21000多个汉字 占4个字节的:中日韩超大字符集里面的汉字,有5万多个
注意: 依据 2003年的标准 UTF8 仅使用 1-4 字节长度
依据首字节的最高位表示
- 1 字节 0xxxxxxx
- 2 字节 110xxxxx 10xxxxxx
- 3 字节 1110xxxx 10xxxxxx 10xxxxxx
- 4 字节 11110xxx 10xxxxxx 10xxxxxx 10xxxxxx
- 5 字节 111110xx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx
- 6 字节 1111110x 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx
每个字符4字节
最早是制定的 GB2312-80
兼容 ASCII
采用的是双字节编码方式, 其中一共编码了6763个常用简体汉字, Big5,是台湾使用的编码标准,编码了台湾使用的繁体汉字,大概有8千多个。
HKSCS
是中国香港使用的编码标准,字体也是繁体,但跟 Big5
有所不同。
后来,由于各方面的原因,国际上又制定了针对中文的统一字符集 GBK
和 GB18030
,其中GBK已经在Windows、Linux等多种操作系统中被实现。
GBK兼容GB2312,并增加了大量不常用汉字,还加入了几乎所有的Big5中的繁体汉字。但是GBK中的繁体汉字和Big5中的几乎不兼容。
GB2312 GBK GB18030 都属于双字节
字符集 (DBCS)
字体编辑用中日韩汉字Unicode编码表
参考: Unicode中文和特殊字符的编码范围
参考: 中文标点符号具体unicode码 汉字 Unicode 编码范围
类别 | 字数 | Unicode 范围 |
---|---|---|
基本汉字 | 20902字 | 4E00-9FA5 |
基本汉字补充 | 74字 | 9FA6-9FEF |
扩展A | 6582字 | 3400-4DB5 |
扩展B | 42711字 | 20000-2A6D6 |
扩展C | 4149字 | 2A700-2B734 |
扩展D | 222字 | 2B740-2B81D |
扩展E | 5762字 | 2B820-2CEA1 |
扩展F | 7473字 | 2CEB0-2EBE0 |
康熙部首 | 214字 | 2F00-2FD5 |
部首扩展 | 115字 | 2E80-2EF3 |
兼容汉字 | 477字 | F900-FAD9 |
兼容扩展 | 542字 | 2F800-2FA1D |
PUA(GBK)部件 | 81字 | E815-E86F |
部件扩展 | 452字 | E400-E5E8 |
PUA增补 | 207字 | E600-E6CF |
汉字笔画 | 36字 | 31C0-31E3 |
汉字结构 | 12字 | 2FF0-2FFB |
汉语注音 | 43字 | 3105-312F |
注音扩展 | 22字 | 31A0-31BA |
〇 | 1字 | 3007 |