无论是在编辑文本文件的时候,还是在制作网页的时候,总会遇到文本编码方式的问题。如果处理不当,就会出现乱码。因此,有必要对文本的编码方式做一个详尽的了解。
常见的一些字符编码方式无非有:Unicode,ASCII,GBK,GB2312,UTF-8,BASE64。下面先对常见的这一些字符编码方式作下说明:
ASCII
这是美国在19世纪60年代的时候为了建立英文字符和二进制的关系时制定的编码规范,它能表示128个字符,其中包括英文字符、阿拉伯数字、西文字符以
及32个控制字符。它用一个字节来表示具体的字符,但它只用后7位来表示字符(2^7=128),最前面的一位统一规定为0
。
ASCII中的0~31为控制字符;32~126为打印字符;127为Delete(删除)命令。下表为控制字符释义
Bin(二进制) | Dec(十进制) | Hex(十六进制) | 缩写/字符 | 解释 |
---|---|---|---|---|
00000000 | 0 | 00 | NUL(null) | 空字符 |
00000001 | 1 | 01 | SOH(start of headling) | 标题开始 |
00000010 | 2 | 02 | STX (start of text) | 正文开始 |
00000011 | 3 | 03 | ETX (end of text) | 正文结束 |
00000100 | 4 | 04 | EOT (end of transmission) | 传输结束 |
00000101 | 5 | 05 | ENQ (enquiry) | 请求 |
00000110 | 6 | 06 | ACK (acknowledge) | 收到通知 |
00000111 | 7 | 07 | BEL (bell) | 响铃 |
00001000 | 8 | 08 | BS (backspace) | 退格 |
00001001 | 9 | 09 | HT (horizontal tab) | 水平制表符 |
00001010 | 10 | 0A | LF (NL line feed, new line) | 换行键 |
00001011 | 11 | 0B | VT (vertical tab) | 垂直制表符 |
00001100 | 12 | 0C | FF (NP form feed, new page) | 换页键 |
00001101 | 13 | 0D | CR (carriage return) | 回车键 |
00001110 | 14 | 0E | SO (shift out) | 不用切换 |
00001111 | 15 | 0F | SI (shift in) | 启用切换 |
00010000 | 16 | 10 | DLE (data link escape) | 数据链路转义 |
00010001 | 17 | 11 | DC1 (device control 1) | 设备控制1 |
00010010 | 18 | 12 | DC2 (device control 2) | 设备控制2 |
00010011 | 19 | 13 | DC3 (device control 3) | 设备控制3 |
00010100 | 20 | 14 | DC4 (device control 4) | 设备控制4 |
00010101 | 21 | 15 | NAK (negative acknowledge) | 拒绝接收 |
00010110 | 22 | 16 | SYN (synchronous idle) | 同步空闲 |
00010111 | 23 | 17 | ETB (end of trans. block) | 传输块结束 |
00011000 | 24 | 18 | CAN (cancel) | 取消 |
00011001 | 25 | 19 | EM (end of medium) | 介质中断 |
00011010 | 26 | 1A | SUB (substitute) | 替补 |
00011011 | 27 | 1B | ESC (escape) | 溢出 |
00011100 | 28 | 1C | FS (file separator) | 文件分割符 |
00011101 | 29 | 1D | GS (group separator) | 分组符 |
00011110 | 30 | 1E | RS (record separator) | 记录分离符 |
00011111 | 31 | 1F | US (unit separator) | 单元分隔符 |
00100000 | 32 | 20 | (space) | 空格 |
00100001 | 33 | 21 | ! | |
00100010 | 34 | 22 | " | |
00100011 | 35 | 23 | # | |
00100100 | 36 | 24 | $ | |
00100101 | 37 | 25 | % | |
00100110 | 38 | 26 | & | |
00100111 | 39 | 27 | ' | |
00101000 | 40 | 28 | ( | |
00101001 | 41 | 29 | ) | |
00101010 | 42 | 2A | * | |
00101011 | 43 | 2B | + | |
00101100 | 44 | 2C | , | |
00101101 | 45 | 2D | - | |
00101110 | 46 | 2E | . | |
00101111 | 47 | 2F | / | |
00110000 | 48 | 30 | 0 | |
00110001 | 49 | 31 | 1 | |
00110010 | 50 | 32 | 2 | |
00110011 | 51 | 33 | 3 | |
00110100 | 52 | 34 | 4 | |
00110101 | 53 | 35 | 5 | |
00110110 | 54 | 36 | 6 | |
00110111 | 55 | 37 | 7 | |
00111000 | 56 | 38 | 8 | |
00111001 | 57 | 39 | 9 | |
00111010 | 58 | 3A | : | |
00111011 | 59 | 3B | ; | |
00111100 | 60 | 3C | < | |
00111101 | 61 | 3D | = | |
00111110 | 62 | 3E | > | |
00111111 | 63 | 3F | ? | |
01000000 | 64 | 40 | @ | |
01000001 | 65 | 41 | A | |
01000010 | 66 | 42 | B | |
01000011 | 67 | 43 | C | |
01000100 | 68 | 44 | D | |
01000101 | 69 | 45 | E | |
01000110 | 70 | 46 | F | |
01000111 | 71 | 47 | G | |
01001000 | 72 | 48 | H | |
01001001 | 73 | 49 | I | |
01001010 | 74 | 4A | J | |
01001011 | 75 | 4B | K | |
01001100 | 76 | 4C | L | |
01001101 | 77 | 4D | M | |
01001110 | 78 | 4E | N | |
01001111 | 79 | 4F | O | |
01010000 | 80 | 50 | P | |
01010001 | 81 | 51 | Q | |
01010010 | 82 | 52 | R | |
01010011 | 83 | 53 | S | |
01010100 | 84 | 54 | T | |
01010101 | 85 | 55 | U | |
01010110 | 86 | 56 | V | |
01010111 | 87 | 57 | W | |
01011000 | 88 | 58 | X | |
01011001 | 89 | 59 | Y | |
01011010 | 90 | 5A | Z | |
01011011 | 91 | 5B | [ | |
01011100 | 92 | 5C | \ | |
01011101 | 93 | 5D | ] | |
01011110 | 94 | 5E | ^ | |
01011111 | 95 | 5F | _ | |
01100000 | 96 | 60 | ` | |
01100001 | 97 | 61 | a | |
01100010 | 98 | 62 | b | |
01100011 | 99 | 63 | c | |
01100100 | 100 | 64 | d | |
01100101 | 101 | 65 | e | |
01100110 | 102 | 66 | f | |
01100111 | 103 | 67 | g | |
01101000 | 104 | 68 | h | |
01101001 | 105 | 69 | i | |
01101010 | 106 | 6A | j | |
01101011 | 107 | 6B | k | |
01101100 | 108 | 6C | l | |
01101101 | 109 | 6D | m | |
01101110 | 110 | 6E | n | |
01101111 | 111 | 6F | o | |
01110000 | 112 | 70 | p | |
01110001 | 113 | 71 | q | |
01110010 | 114 | 72 | r | |
01110011 | 115 | 73 | s | |
01110100 | 116 | 74 | t | |
01110101 | 117 | 75 | u | |
01110110 | 118 | 76 | v | |
01110111 | 119 | 77 | w | |
01111000 | 120 | 78 | x | |
01111001 | 121 | 79 | y | |
01111010 | 122 | 7A | z | |
01111011 | 123 | 7B | { | |
01111100 | 124 | 7C | | |
|
01111101 | 125 | 7D | } | |
01111110 | 126 | 7E | ~ | |
01111111 | 127 | 7F | DEL (delete) | 删除 |
ASCII扩展
原本的ASCII码对于英文语言的国家是够用了,但是欧洲国家的一些语言会有拼音,这时7个字节就不够用了。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)。这样一来,这些欧洲国家使用的编码体系,可以表示最多256个符号。但这时 问题也出现了: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。但是不管怎样,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。这个问题就直接促使了Unicode编码的产生。
Unicode符号集
正如上一节所说,世界上存在着多种编码方式,同一个二进制数字可以被解释成不同的符号。因此,要想打开一个文本文件,就必须知道它的编码方式,否则 用错误的编码方式解读,就会出现乱码。为什么电子邮件常常出现乱码?就是因为发信人和收信人使用的编码方式不一样。而Unicode就是这样一种编码:它 包含了世界上所有的符号,并且每一个符号都是独一无二的。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,可以查询 unicode.org,或者专门的汉字对应表 。 很多人都说Unicode编码,但其实Unicode是一个符号集(世界上所有符号的符号集),而不是一种新的编码方式。
但是正因为Unicode包含了所有的字符,而有些国家的字符用一个字节便可以表示,而有些国家的字符要用多个字节才能表示出来。即产生了两个问题: 第一,如果有两个字节的数据,那计算机怎么知道这两个字节是表示一个汉字呢?还是表示两个英文字母呢?第二,因为不同字符需要的存储长度不一样, 那么如果Unicode规定用2个字节存储字符,那么英文字符存储时前面1个字节都是0,这就大大浪费了存储空间。
上面两个问题造成的结果是:
1)出现了unicode的多种存储方式,也就是说有许多种不同的二进制格式,可以用来表示unicode。
2)unicode在很长一段时间内无法推广,直到互联网的出现。
UTF-8
互联网的普及,强烈要求出现一种统一的编码方式。UTF-8就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,
不过在互联网上基本不用。重复一遍,这里的关系是,UTF-8是Unicode的实现方式之一
。
UTF-8最大的一个特点,就是它是一种变长的编码方式。它可以使用1~4个字节表示一个符号,根据不同的符号而变化字节长度。
UTF-8的编码规则很简单,只有两条:
1)对于单字节的符号,字节的第一位设为0,后面7位为这个符号的unicode码。因此对于0~127,完全跟 ASCII 相同。使用一个字节。
2)对于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,全部为这个符号的unicode码。
Unicode编码(16进制) | Dec(十进制) | 幂表示 | UTF-8(二进制) | 所占字节数 | 描述 |
---|---|---|---|---|---|
000000 - 00007F | 0-127 | 0 - (2^7-1) | 0xxxxxxx | 1 | ASCII码 |
000080 - 0007FF | 128-2047 | 2^7 - (2^11-1) | 110xxxxx, 10xxxxxx | 2 | |
000800 - 00FFFF | 2048-65535 | 2^11 - (2^16-1) | 1110xxxx, 10xxxxxx, 10xxxxxx | 3 | 基本上所有中文都分布在这里 |
010000 - 10FFFF | 65536-1114111 | 2^16 - (2^16 + 2^20-1) | 11110xxx, 10xxxxxx, 10xxxxxx, 10xxxxxx | 4 |
所以我们知道,为什么中文在UTF-8上占3个字节
GB2312
GB2312是适合中国人使用的编码,由中国国家标准总局发布。它主要分为两个部分:
127之前的符号;
127之后的符号
127之前的符号跟 ASCII 码所表示的意义相同。都是一个字节表示。127之后的符号统一用两个字节表示
,包含了几乎所有的简体中文字。
台湾和香港那边喜欢用繁体字,GB2312 编码只包含简体中文,显然不够他们用,于是台湾和香港用包含了繁体字的 BIG5 编码,叫大五码。
GBK
GBK 编码的前半部分跟GB2312完全相同,还往后扩展了更多的汉字,127之后的符号统一用两个字节表示
,包括几乎所有常见的不常见的汉字、繁体字、日语的平假名和片假名、俄文字母。
可以说GBK适用于中国大陆、台湾、香港、日本和俄国。虽然适合日本用,估计日本也不会用GBK 编码。确实,日本用的是JIS编码。
虽然增加了繁体字,但是GBK跟BIG5还是不兼容。
GBK和GB2312都是针对简体字的编码,只是GB2312只支持六千多个汉字的编码,而GBK支持1万多个汉字编码。
ANSI
ANSI编码不是一种特定的编码。
在简体中文系统下,ANSI编码代表着GB2312 编码;
在日文操作系统下,ANSI编码代表着JIS编码
Base64
Base64编码不像以上提到的编码,主要用于在计算机内表示字符的编码。Base64编码是网络上最常见的用于传输8Bit字节代码的编码方式之一。
Base64编码的思想是是采用64个基本的ASCII码字符
对数据进行重新编码。它将需要编码的数据拆分成字节数组。以 3个字节 为一组。一共是3x8=24bit,再把这24bit数据分成 4组 ,即每组6个bit。
再在每组的的 最高位前补两个0 凑足一个字节。这样就把一个3字节为一组的数据重新编码成了4个字节。当所 要编码的数据的字节数不是3的整倍数,也就是说在分组时最后一组不够3个字节。这时
在最后一组填充1到2个0字节(\0)。并在最后编码完成后在结尾添加1到2个 “=”。Base64编码后要比源数据多33%
。
BASE64字符表:ABCDEFGHIJKLMNOPQRSTUVWXYZabcdefghijklmnopqrstuvwxyz0123456789+/
test 的 Base64 为:dGVzdA==
把字符串进行每3个字符分一个组,后面不满3个补'\0',最后结果为:
test\0\0
取test\0\0对应的ASCII码值:
t(116), e(101), s(115), t(116), \0(0), \0(0)
然后把上面字节二进制码接起来:
t(01110100), e(01100101), s(01110011), t(01110100), \0(00000000), \0(00000000)
再以每6位分一组,并在每组最高位填充两个0后形成1个字节的编码:
00011101, 00000110, 00010101, 00110011, 00011101, 00000000, 00000000, 00000000
再把这每个字节数据转化成10进制数,然后根据BASE64给出的64个基本字符表,查出对应的ASCII码字符。注意,上面进行了2次补\0,所以这边最后两位字节不进行运算
00011101(29), 00000110(6), 00010101(21), 00110011(51), 00011101(29), 00000000(0)
29(d), 6(G), 21(V), 51(z), 29(d), 0(A)
最后连接各个base64码,并且每补偿一个\0,则添加一个"=",所以最后计算的结果为:
dGVzdA==
可见,若看到一段数据只包含大小写字母、数字、加号+和正斜杠 / 以及末尾有可能有=,那么该编码十有八九是Base64编码。
Base64可用于简单的网络加密,但是它所实现的只是不能让你一眼就能看出来明文是什么。称它为编码还更适合一点。
动手实现一个PHP base64
<?php
//编码
function base64encode($str) {
//64位编码表
$base64_config = array(
'A','B','C','D','E','F','G','H','I','J','K','L','M','N','O','P','Q','R','S','T','U','V','W','X','Y','Z',
'a','b','c','d','e','f','g','h','i','j','k','l','m','n','o','p','q','r','s','t','u','v','w','x','y','z',
0,1,2,3,4,5,6,7,8,9,
'+','/'
);
//拆分左右字符
$str_arr = str_split($str);
//不足3个字节,补'\0'
$mod = count($str_arr)%3;
$bmod = 0;
if ($mod > 0) {
$bmod = 3 - $mod;
for ($i = 0;$i<$bmod;$i++) {
$str_arr[] = "\0";
}
}
//计算所有字符的二进制
$bit = "";
foreach ($str_arr as $value) {
$ascii = ord($value); //计算ASCII码
$bin = decbin($ascii); //转换成二进制
$bin = str_pad($bin, 8, '0', STR_PAD_LEFT); //不足8位前面
$bit .= $bin;
}
//每6位拆分一组
$str_arr = str_split($bit, 6);
$encode_str = "";
for ($i=0; $i<(count($str_arr)-$bmod); $i++) { //注意这里,上面补'\0'的字节不计算base64
$bin = "00".$str_arr[$i]; //每组前面补两个00形成一个字节
$key = bindec($bin); //转换成10进制
$base64 = $base64_config[$key]; //对照表格获取base64码
$encode_str .= $base64;
}
$encode_str = str_pad($encode_str, strlen($encode_str)+$bmod, '=', STR_PAD_RIGHT);
return $encode_str;
}
//解码
function base64decode($str) {
//64位编码表
$base64_config = array(
'A','B','C','D','E','F','G','H','I','J','K','L','M','N','O','P','Q','R','S','T','U','V','W','X','Y','Z',
'a','b','c','d','e','f','g','h','i','j','k','l','m','n','o','p','q','r','s','t','u','v','w','x','y','z',
0,1,2,3,4,5,6,7,8,9,
'+','/'
);
$bmod = substr_count($str, "="); //计算补\0个数
$str_arr = str_split($str);
$bit = "";
for ($i=0; $i<(count($str_arr)-$bmod); $i++) { //不计算\0
$key = array_search($str_arr[$i], $base64_config); //获取base64对应的key
$bin = decbin($key); //转换成二进制
$bin = str_pad($bin, 8, '0', STR_PAD_LEFT); //不足8位前面
$bin = substr($bin, 2); //去除前面两位0
$bit .= $bin;
}
$str_arr = str_split($bit, 8);//每8位一组进行拆分
$decode_str = "";
foreach ($str_arr as $value) {
$ascii = bindec($value);//转换成ASCII码
$char = chr($ascii); //根据ascii获取对应字符
$decode_str .= $char; //串联起来
}
return $decode_str;
}
//urlencode
function url_encode($str) {
$str_arr = str_split($str);
$encode_str = "";
for ($i=0; $i<count($str_arr); $i++) {
preg_match($str_arr[$i], "[^A-Za-z0-9_]");
}
}
$en = base64encode("我阿斯蒂芬333说实在的sdfsfsdfsd");
$de = base64decode($en);
输出结果
5oiR6Zi/5pav6JKC6IqsMzMz6K+05a6e5Zyo55qEc2Rmc2ZzZGZzZA==
我阴斯蒂芬333譴实在的sdfsfsdfsd
urlencode & urldecode
URLEncode:是指针对网页url中的中文字符的一种编码转化方式,最常见的就是Baidu、Google等搜索引擎中输入中文查询时候,生成经过Encode过的网页URL。
URLEncode的方式一般有两种,一种是传统的基于GB2312的Encode(Baidu、Yisou等使用),另一种是基于UTF-8的Encode(Google、Yahoo等使用)。
URLEncode的原理是 除了 -
_
.
之外的所有非字母数字字符都将被替换成百分号 %
后跟两位十六进制数
中文 -> GB2312的Encode -> %D6%D0%CE%C4
中文 -> UTF-8的Encode -> %E4%B8%AD%E6%96%87
PHP实现urlencode 和 urldecode
<?php
//demo.php
//urlencode
function url_encode($str) {
$str_arr = str_split($str);
$encode_str = "";
for ($i=0; $i<count($str_arr); $i++) {
if (preg_match("/[^A-Za-z0-9_\-\.]/", $str_arr[$i], $match)) {
$char = "%".bin2hex($match[0]);
$encode_str .= $char;
}else {
$encode_str .= $str_arr[$i];
}
}
return $encode_str;
}
//urldecode
function url_decode($str) {
preg_match_all("/%\w{2}/", $str, $match);
foreach ($match[0] as $key => $value) {
$char = substr($value, 1);
$char = chr(hexdec($char));
$str = str_replace($value, $char, $str);
}
return $str;
}
$en = url_encode("中文");
echo $en."\n";
我们可以修改demo.php编码方式来观察输出的结果
demo.php 编码方式为 GBK:%d6%d0%ce%c4
demo.php 编码方式为 UTF-8:%e4%b8%ad%e6%96%87
参考资料
http://blog.csdn.net/csywwx2008/article/details/17137097
http://www.cnblogs.com/infosec-hoary/archive/2012/02/28/2371385.html
http://www.cnblogs.com/reonlyrun/archive/2006/12/29/640991.html