ASCII、GBK与UTF-8的联系

简介: ASCII、GBK与UTF-8的联系

背景

计算机是美国人发明的,美国人最初要往计算机存储数据的时候,那些数据往往只由英文字母(大小写)、数字、标点符号、特殊字符构成,总量被凑到128个。于是美国人就为这些字符编制了码点,一个字符对应一个码点,码点的范围是0~127。

于是计算机要存储的字符,会先转换为码点,码点存储在计算机中就以二进制的形式存在。由于码点用7个bit就可表示完整,于是首位bit统一设为0,一共占据了8个bit,也就是一个字节。

字符、码点、二进制数据的对应关系,也被叫做ASCII(American Standard Code for Information Interchange),美国信息交换标准代码。对于美国人来说完全够用了。

GBK

GBK,guojia biaozhun kuozhan。计算机传入中国之后,对于中国人来说,128个字符是完全不够用的,于是国家规定了汉字字符集,GBK便是其中一种。

GBK兼容了ASCII字符集的同时,还兼容了2万多个汉字,因此GBK的汉字字符集部分用2个字节存储码点。

GBK的汉字字符集对应的二进制数据除了占据2个字节,还以1开头。ascii码下的字符则保持原样。

举例:

我a你。在计算机中对应的二进制数据是:1xxxxxxx xxxxxxxx 0xxxxxxx 1xxxxxxx xxxxxxxx。

当把二进制数据转换为中文字符的之后,碰到1开头的数据,就知道要连着包括1在内的16个bit(2个字节)的数据一起转换为中文。

Unicode

Unicode,Universal Coded Character Set。是国际组织制定的,可以容纳全世界所有文字、符号的字符集。用32个bit(4个字节)表示一个字符,能完整覆盖全世界的文字与符号。

UTF-8

Unicode字符集的出发点是好的,但是太过奢侈,比如对于中文来说,用unicode的形式存储字符,每存储一个中文就比GBK多消耗2个字节。

为了解决存储空间开销过大的问题,国际组织基于unicode字符集,又推出了UTF-8字符集。·UTF-8字符集是unicode字符集分支而出的一种编码方案,采取可变长编码方案,共分四个长度区:1个字节,2个字节,3个字节,4个字节,按需而定。

英文字符、数字等,只占1个字节,汉字字符占用3个字节。

Utf-8的编码规则:

只占1个字节的字符,必须要以0开头。

占据2个字节的字符,第一个字节开头必须是110,第二个字节开头必须是10。

占据3个字节的字符,第一个字节开头必须是1110,第二、三个字节开头必须是10。

占据4个字节的字符,第一个字节开头必须是11110,第二、三、四个字节开头必须是10。

举例:

A我m,用utf-8编码,二进制数据如下:

乱码

以“a我m”字符串为例,存储的时候以utf-8编码,

存储为:01100001 1110xxxx 10xxxxxx 10xxxxxx 01101101

解码的时候以gbk解码:

1、计算机先分别把01100001、01101101解码为a和m,无错。

2、然后把1开头的字节解码为汉字,无法识别,无法匹配规则,产生乱码。

编码注意事项

开发人员尽量以utf-8编码。

数字和英文字符几乎不会乱码。

存储时的编码方式,和解码时候的编码方式,必须一致。

Utf-8和gbk字符串互相转码

思路:如果想把一个字符串从一种编码方式转为另一种编码方式,先转码为unicode,然后再从unicode转为另一种编码。

用python实现gbk字符转utf-8字符串:

# 定义一个以GBK编码的字符串
gbk_string = "中文字符串".encode('gbk')
# 将以GBK编码的字符串解码为Unicode字符串
unicode_string = gbk_string.decode('gbk')
# 将Unicode字符串编码为UTF-8
utf8_string = unicode_string.encode('utf-8')
# 输出UTF-8编码的字符串
print(utf8_string.decode('utf-8'))

用python实现utf-8字符转gbk字符串:

# 定义一个以utf-8编码的字符串
utf8_string = "中文字符串".encode('utf-8')
# 将以utf-8编码的字符串解码为Unicode字符串
unicode_string = utf8_string.decode('utf-8')
# 将Unicode字符串编码为GBK
gbk_string = unicode_string.encode('gbk')
# 输出gbk编码的字符串
print(gbk_string.decode('gbk'))

Utf-8和gbk的buf互相转码

字符串是以\0为结尾的,buf则是不以\0结尾,但是会告知有效长度。

比如【hello\0】这个字符串,替换成buf就是【hello】和5;

此处我们基于C语言完成。

首先创建一个gbk编码的文件:

echo "a中文内容b" | iconv -f UTF-8 -t GBK -o gbk.txt

其次我们将这个文件读取并转为utf-8格式输出。思路是读取gbk文件之后,存储成一个字符串,但是我们给convertGBKtoUTF8传入的gbk字符串的buf和buf长度。在convertGBKtoUTF8函数内部对gbk字符串完成的转换存入了utf8字符串中。

#include <stdio.h>
#include <stdlib.h>
#include <string.h>
#include <iconv.h>
 
char* readGBKFile(const char* filename) {
    FILE* file = fopen(filename, "rb");
    if (file == NULL) {
        printf("无法打开文件 %s\n", filename);
        return NULL;
    }
 
    // 获取文件大小
    fseek(file, 0, SEEK_END);
    long file_size = ftell(file);
    rewind(file);
 
    // 分配内存用于存储文件内容
    char* buffer = (char*)malloc(file_size+1);
    if (buffer == NULL) {
        printf("内存分配失败\n");
        fclose(file);
        return NULL;
    }
 
    // 读取文件内容
    size_t bytes_read = fread(buffer, 1, file_size, file);
    buffer[bytes_read] = '\0';
    
    if(buffer[bytes_read-1] == '\n' )buffer[bytes_read-1] = '\0';
 
    fclose(file);
 
    return buffer;
}
 
char* convertGBKtoUTF8(const char* gbkBuf,size_t gbkBuflen) {
    size_t utf8Buflen = gbkBuflen * 3;  // UTF-8最多需要3个字节表示一个字符
    char* utf8Buf = (char*)malloc(utf8Buflen + 1);
    if (utf8Buf == NULL) {
        printf("内存分配失败\n");
        return NULL;
    }
    memset(utf8Buf, 0, utf8Buflen + 1);
 
    iconv_t cd = iconv_open("UTF-8", "GBK");
    if (cd == (iconv_t)-1) {
        printf("字符集转换初始化失败\n");
        free(utf8Buf);
        return NULL;
    }
 
    const char* inbuf = gbkBuf;
    char* outbuf = utf8Buf;
    size_t inbytesleft = gbkBuflen;
    size_t outbytesleft = utf8Buflen;
    if (iconv(cd, (char**)&inbuf, &inbytesleft, &outbuf, &outbytesleft) == (size_t)-1) {
        printf("字符集转换失败\n");
        free(utf8Buf);
        iconv_close(cd);
        return NULL;
    }
 
    iconv_close(cd);
 
    return utf8Buf;
}
 
 
int main() {
    const char* filename = "gbk.txt";
    char* gbkString = readGBKFile(filename);
    int gbkLength = 0;
    if (gbkString != NULL) {
        printf("gbkString:%s,gbkLength:%ld\n", gbkString,strlen(gbkString));
        gbkLength = strlen(gbkString);
    }
    
    //
    char* utf8String = convertGBKtoUTF8(gbkString,gbkLength);
    if (utf8String != NULL) {
        printf("UTF-8buf:%s,UTF-8buflen:%ld\n", utf8String,strlen(utf8String));
        free(utf8String);
    }
   
    free(gbkString);
    return 0;
}

最后我们查看输出结果

gbk编码输出的时候是乱码,utf-8编码输出的时候能正常显示,并且长度相应地增加了。

UTF8转GBK同理

#include <stdio.h>
#include <stdlib.h>
#include <string.h>
#include <iconv.h>
#include <errno.h>
#include <fcntl.h>
#include <unistd.h>
char* convertUTF8toGBK(const char* utf8Buf,size_t utf8Buflen) {
    size_t gbkBuflen = (int)(utf8Buflen *2/3 + 1);  // UTF-8最多需要3个字节表示一个字符
    char* gbkBuf = (char*)malloc(gbkBuflen + 1);
    if (gbkBuf == NULL) {
        printf("内存分配失败\n");
        return NULL;
    }
    memset(gbkBuf, 0, gbkBuflen + 1);
    iconv_t cd = iconv_open("GBK","UTF-8");
    if (cd == (iconv_t)-1) {
        printf("字符集转换初始化失败\n");
        free(gbkBuf);
        return NULL;
    }
    const char* inbuf = utf8Buf;
    char* outbuf = gbkBuf;
    size_t inbytesleft = utf8Buflen;
    size_t outbytesleft = gbkBuflen;
    if (iconv(cd, (char**)&inbuf, &inbytesleft, &outbuf, &outbytesleft) == (size_t)-1) {
        printf("字符集转换失败\n");
        free(gbkBuf);
        iconv_close(cd);
        return NULL;
    }
    iconv_close(cd);
    return gbkBuf;
}
int writeGBKStringToFile(const char* filename, const char* gbkString,int gbkBuflen) {
    int file = open(filename, O_WRONLY | O_CREAT | O_TRUNC, 0666);
    if (file == -1) {
        printf("无法打开文件\n");
        return -1;
    }
    
    ssize_t bytesWritten = write(file, gbkString,gbkBuflen);
    if (bytesWritten == -1) {
  printf("写入文件失败: %s\n", strerror(errno));
  close(file);
  return -1;
    }
    close(file);
    return 0;
}
int main() {
  char* utf8String = "a字符集b";
  int utf8Length = strlen(utf8String);
  printf("utf8buf:%s,utf8buflen:%ld\n",utf8String,strlen(utf8String));
  char* gbkString = convertUTF8toGBK(utf8String,utf8Length);
  if (gbkString != NULL) {
    printf("gbk8buf:%s,gbk8buflen:%ld\n",gbkString,strlen(gbkString));
    int result = writeGBKStringToFile("gbk.txt", gbkString,strlen(gbkString));
    if (result == 0) {
      printf("GBK 字符串已成功写入文件\n");
    }
    free(gbkString);
  }
   
  return 0;
}
目录
相关文章
|
存储 网络协议 安全
字符编码技术专题(一):快速理解ASCII、Unicode、GBK和UTF-8
今天中午,我突然想搞清楚 Unicode 和 UTF-8 之间的关系,就开始查资料。 这个问题比我想象的复杂,午饭后一直看到晚上9点,才算初步搞清楚。 下面就是我的总结,主要用来整理自己的思路。我尽量写得通俗易懂,希望能对其他朋友有用。毕竟,字符编码是计算机技术的*石,对于程序员来说尤其重要,字符编码的知识是必须要懂的。
102 0
|
存储 JavaScript 程序员
【字符编码详解】ASCII、GB2312、GBK、UTF-8、UTF-16编码与Unicode字符集
【字符编码详解】ASCII、GB2312、GBK、UTF-8、UTF-16编码与Unicode字符集
902 0
|
存储 自然语言处理
最基础的ASCII、Unicode、UTF-8一起来多了解点
最基础的ASCII、Unicode、UTF-8一起来多了解点
252 0
最基础的ASCII、Unicode、UTF-8一起来多了解点
|
存储 算法 Java
Java编码ASCII、GB2312、GBK、Unicode、UTF-8、UTF-16 编码方式详解
Java编码ASCII、GB2312、GBK、Unicode、UTF-8、UTF-16 编码方式详解
393 0
|
Web App开发 JavaScript Java
编码问题 UTF-8 & GBK
记一次奇怪的编码问题。 * Meta Element vs Response Header * Meta 的作用? * 一个细节 * 细节对编码的影响 ## Meta Element vs Response Header 一个 GBK 编码页面,使用 meta 指定页面编码和使用 response header 指定页面编码。哪个优先级比较高? ###
2401 0
|
存储 自然语言处理
字符编码unicode,utf-8和ascii
Ascii编码 由于计算机是美国人发明的,因此,最早只有127个字符被编码到计算机里,也就是大小写英文字母、数字和一些符号,这个编码表被称为ASCII编码,比如大写字母A的编码是65,小写字母z的编码是122。
1106 0
|
存储 自然语言处理
浅析ASCII、Unicode和UTF-8三种常见字符编码
什么是字符编码?        计算机只能处理数字,如果要处理文本,就必须先把文本转换为数字才能处理。最早的计算机在设计时采用8个比特(bit)作为一个字节(byte),所以,一个字节能表示的最大的整数就是255(二进制11111111=十进制255),如果要表示更大的整数,就必须用更多的字节。
1143 0