程序员趣味读物 谈谈Unicode编码
使用windows记事本的“另存为”，可以在gbk、unicode、unicode big endian和utf-8这几种编码方式间相互转换。同样是txt文件，windows是怎样识别编码方式的呢？
我很早前就发现unicode、unicode big endian和utf-8编码的txt文件的开头会多出几个字节，分别是ff、fe（unicode）,fe、ff（unicode big endian）,ef、bb、bf（utf-8）。但这些标记是基于什么标准呢？
问题二：
最近在网上看到一个convertutf.c，实现了utf-32、utf-16和utf-8这三种编码方式的相互转换。对于unicode(ucs2)、gbk、utf-8这些编码方式，我原来就了解。但这个程序让我有些糊涂，想不起来utf-16和ucs2有什么关系。
查了查相关资料，总算将这些问题弄清楚了，顺带也了解了一些unicode的细节。写成一篇文章，送给有过类似疑问的朋友。本文在写作时尽量做到通俗易懂，但要求读者知道什么是字节，什么是十六进制。
0、big endian和little endian
big endian和little endian是cpu处理多字节数的不同方式。例如“汉”字的unicode编码是6c49。那么写到文件里时，究竟是将6c写在前面，还是将49写在前面？如果将6c写在前面，就是big endian。还是将49写在前面，就是little endian。
“endian”这个词出自《格列佛游记》。小人国的内战就源于吃鸡蛋时是究竟从大头(big-endian)敲开还是从小头(little-endian)敲开，由此曾发生过六次*，其中一个皇帝送了命，另一个丢了王位。
我们一般将endian翻译成“字节序”，将big endian和little endian称作“大尾”和“小尾”。
1、字符编码、内码，顺带介绍汉字编码
字符必须编码后才能被计算机处理。计算机使用的缺省编码方式就是计算机的内码。早期的计算机使用7位的ascii编码，为了处理汉字，程序员设计了用于简体中文的gb2312和用于繁体中文的big5。
gb2312(1980年)一共收录了7445个字符，包括6763个汉字和682个其它符号。汉字区的内码范围高字节从b0-f7，低字节从a1-fe，占用的码位是72*94=6768。其中有5个空位是d7fa-d7fe。
gb2312支持的汉字太少。1995年的汉字扩展规范gbk1.0收录了21886个符号，它分为汉字区和图形符号区。汉字区包括21003个字符。2000年的gb18030是取代gbk1.0的正式国家标准。该标准收录了27484个汉字，同时还收录了藏文、蒙文、*文等主要的少数民族文字。现在的pc平台必须支持gb18030，对嵌入式产品暂不作要求。所以手机、mp3一般只支持gb2312。
从ascii、gb2312、gbk到gb18030，这些编码方法是向下兼容的，即同一个字符在这些方案中总是有相同的编码，后面的标准支持更多的字符。在这些编码中，英文和中文可以统一地处理。区分中文编码的方法是高字节的最高位不为0。按照程序员的称呼，gb2312、gbk到gb18030都属于双字节字符集 (dbcs)。
有的中文windows的缺省内码还是gbk，可以通过gb18030升级包升级到gb18030。不过gb18030相对gbk增加的字符，普通人是很难用到的，通常我们还是用gbk指代中文windows内码。
这里还有一些细节：
gb2312的原文还是区位码，从区位码到内码，需要在高字节和低字节上分别加上a0。
在dbcs中，gb内码的存储格式始终是big endian，即高位在前。
gb2312的两个字节的最高位都是1。但符合这个条件的码位只有128*128=16384个。所以gbk和gb18030的低字节最高位都可能不是1。不过这不影响dbcs字符流的解析：在读取dbcs字符流时，只要遇到高位为1的字节，就可以将下两个字节作为一个双字节编码，而不用管低字节的高位是什么。
2、unicode、ucs和utf
前面提到从ascii、gb2312、gbk到gb18030的编码方法是向下兼容的。而unicode只与ascii兼容（更准确地说，是与iso-8859-1兼容），与gb码不兼容。例如“汉”字的unicode编码是6c49，而gb码是baba。
unicode也是一种字符编码方法，不过它是由国际组织设计，可以容纳全世界所有语言文字的编码方案。unicode的学名是"universal multiple-octet coded character set"，简称为ucs。ucs可以看作是"unicode character set"的缩写。
根据*全书()的记载：历史上存在两个试图独立设计unicode的组织，即国际标准化组织（iso）和一个软件制造商的协会（unicode.org）。iso开发了iso 10646项目，unicode协会开发了unicode项目。
在1991年前后，双方都认识到世界不需要两个不兼容的字符集。于是它们开始合并双方的工作成果，并为创立一个单一编码表而协同工作。从unicode2.0开始，unicode项目采用了与iso 10646-1相同的字库和字码。
目前两个项目仍都存在，并独立地公布各自的标准。unicode协会现在的最新版本是2005年的unicode 4.1.0。iso的最新标准是10646-3:2003。
ucs规定了怎么用多个字节表示各种文字。怎样传输这些编码，是由utf(ucs transformation format)规范规定的，常见的utf规范包括utf-8、utf-7、utf-16。
ietf的rfc2781和rfc3629以rfc的一贯风格，清晰、明快又不失严谨地描述了utf-16和utf-8的编码方法。我总是记不得ietf是internet engineering task force的缩写。但ietf负责维护的rfc是internet上一切规范的基础。
3、ucs-2、ucs-4、bmp
ucs有两种格式：ucs-2和ucs-4。顾名思义，ucs-2就是用两个字节编码，ucs-4就是用4个字节（实际上只用了31位，最高位必须为0）编码。下面让我们做一些简单的数学游戏：
ucs-2有2^16=65536个码位，ucs-4有2^31=2147483648个码位。
ucs-4根据最高位为0的最高字节分成2^7=128个group。每个group再根据次高字节分为256个plane。每个plane根据第3个字节分为256行 (rows)，每行包含256个cells。当然同一行的cells只是最后一个字节不同，其余都相同。
group 0的plane 0被称作basic multilingual plane, 即bmp。或者说ucs-4中，高两个字节为0的码位被称作bmp。
将ucs-4的bmp去掉前面的两个零字节就得到了ucs-2。在ucs-2的两个字节前加上两个零字节，就得到了ucs-4的bmp。而目前的ucs-4规范中还没有任何字符被分配在bmp之外。
4、utf编码
utf-8就是以8位为单元对ucs进行编码。从ucs-2到utf-8的编码方式如下：
| ucs-2编码(16进制) | utf-8 字节流(二进制) |
| 0000 - 007f | 0xxxxxxx |
| 0080 - 07ff | 110xxxxx 10xxxxxx |
| 0800 - ffff | 1110xxxx 10xxxxxx 10xxxxxx |
例如“汉”字的unicode编码是6c49。6c49在0800-ffff之间，所以肯定要用3字节模板了：1110xxxx 10xxxxxx 10xxxxxx。将6c49写成二进制是：0110 110001 001001， 用这个比特流依次代替模板中的x，得到：11100110 10110001 10001001，即e6 b1 89。
读者可以用记事本测试一下我们的编码是否正确。
utf-16以16位为单元对ucs进行编码。对于小于0x10000的ucs码，utf-16编码就等于ucs码对应的16位无符号整数。对于不小于0x10000的ucs码，定义了一个算法。不过由于实际使用的ucs2，或者ucs4的bmp必然小于0x10000，所以就目前而言，可以认为utf-16和ucs-2基本相同。但ucs-2只是一个编码方案，utf-16却要用于实际的传输，所以就不得不考虑字节序的问题。
5、utf的字节序和bom
utf-8以字节为编码单元，没有字节序的问题。utf-16以两个字节为编码单元，在解释一个utf-16文本前，首先要弄清楚每个编码单元的字节序。例如收到一个“奎”的unicode编码是594e，“乙”的unicode编码是4e59。如果我们收到utf-16字节流“594e”，那么这是“奎”还是“乙”？
unicode规范中推荐的标记字节顺序的方法是bom。bom不是“bill of material”的bom表，而是byte order mark。bom是一个有点小聪明的想法：
在ucs编码中有一个叫做"zero width no-break space"的字符，它的编码是feff。而fffe在ucs中是不存在的字符，所以不应该出现在实际传输中。ucs规范建议我们在传输字节流前，先传输字符"zero width no-break space"。
这样如果接收者收到feff，就表明这个字节流是big-endian的；如果收到fffe，就表明这个字节流是little-endian的。因此字符"zero width no-break space"又被称作bom。
utf-8不需要bom来表明字节顺序，但可以用bom来表明编码方式。字符"zero width no-break space"的utf-8编码是ef bb bf（读者可以用我们前面介绍的编码方法验证一下）。所以如果接收者收到以ef bb bf开头的字节流，就知道这是utf-8编码了。
windows就是使用bom来标记文本文件的编码方式的。
6、进一步的参考资料
本文主要参考的资料是 "short overview of iso-iec 10646 and unicode" ()。
我还找了两篇看上去不错的资料，不过因为我开始的疑问都找到了答案，所以就没有看：
"understanding unicode a general introduction to the unicode standard" (http://scripts.sil.org/cms/scripts/page.php?site_id=nrsi&item_id=iws-chapter04a)
"character set encoding basics understanding character set encodings and legacy encodings" (http://scripts.sil.org/cms/scripts/page.php?site_id=nrsi&item_id=iws-chapter03)
我写过utf-8、ucs-2、gbk相互转换的软件包，包括使用windows api和不使用windows api的版本。以后有时间的话，我会整理一下放到我的个人主页上()。
我是想清楚所有问题后才开始写这篇文章的，原以为一会儿就能写好。没想到考虑措辞和查证细节花费了很长时间，竟然从下午1:30写到9:00。希望有读者能从中受益。