学习电脑信息UltraEdit引出的字符编码问题

admin管理员组

文章数量:1567738

2024年7月23日发(作者：)

UltraEdit引出的字符编码问题

一．关于各种编码文件标记头

各种编码文件开头

UTF-8以 EF BB BF

UTF-16以 FE FF(big-endian) FF FF(little-endian)

UNICODE以 FF FE

一．各种编码对于中文：

各种编码对于中文：

ASCII 中文 2个字节；英文：1个字节

UNICODE 中文 2个字节；英文：2个字节

UTF-8 中文 3个字节；英文：1个字节 (开头有2个字节表示长度)

二．中国的各种编码表示

ASCII 中国--D6 D0 B9 FA A--61

1

UTF-8 中国--E4 E8 AD E5 9B BD 61 A--61

UNICODE 中国--FF FE 2D 4E FD 56 A--61 00

三．关于UltraEdit的问题

1.用UNICODE编辑可以看到，默认的存储是ansi。用记事本的另存为即可看到其真

实的存储格式。

dit打开utf-8会默认的用UNICODE方式来显示，我们要转化为ASCII显示，

这样就能看到真实的utf编码了.在ASCII编辑模式下，会将utf-8编码当作gb2312来显

示。

3.关于各种转化.

对于UNICODE/UTF-8转UTF-8（UNICODE编辑），我们可以看到中文字符，但是

却看不到UTF-8的16进制表示，看到的都是UNICODE,因为UltraEdit会做内部转换。

对于UNICODE/ASCII/UTF-8-8转UTF-8-8（ASCII编辑），我们可以看到UTF-8-8

的真实16进制表示，但是却看不到中文字符的正常显示。

4. 关于 中国a中国中国（6中文1英文）

倘不出问题，用ASCII转UTF-8-8（UNICODE编辑），这时在UNICODE中看到的

文字的16进制编码是UNICODE格式，因为是UNICODE编辑的。但是保存却是UTF-8

格式保存的。例如：

2

中国a中国中国 6中文1英文

用ASCII转UTF-8-8(ASCII编辑)用UltraEdit打开选择所有文字看到的是14字节，

大小却为16字节，因为多了两个字节FF FE；保存文件之后看到的却是19字节，看样子

UTF-8-8的EF BB BF的标记头并没有存储哦。

四．关于联通在记事本中的错误显示问题

在一些早期的UTF-8文件中并不要求一定要用EF BB BF的标记头，而是根据UTF-8-8

的数据特征来判断。所以出现了联通和联的错误显示，因为将其认为是UTF-8格式编码。

其检测里面所有字符是否遵循某种规则，而不仅仅是几个。所以联想就可以被正确识别，

因为"想"不遵循UTF-8规则，而“联通”两个字都遵循UTF-8规则.

谈谈Unicode编码，简要解释UCS、UTF、BMP、BOM等名词

这是一篇程序员写给程序员的趣味读物。所谓趣味是指可以比较轻松地了解一些原来

不清楚的概念，增进知识，类似于打RPG游戏的升级。整理这篇文章的动机是两个问题：

问题一：

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、

3

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。如果将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，由此曾发生过六次叛乱，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

4

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。

从ASCII、 GB2312到GBK，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都属于双字节字符集 (DBCS)。

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、维吾尔文等主要的少数民族文字。从汉字字汇上说，GB18030

在GB13000.1的20902个汉字的基础上增加了CJK扩展A的6582个汉字（Unicode码

0x3400- 0x4db5），一共收录了27484个汉字。

CJK就是中日韩的意思。Unicode为了节省码位，将中日韩三国语言中的文字统一编

码。GB13000.1就是ISO/IEC 10646-1的中文版，相当于Unicode 1.1。

GB18030 的编码采用单字节、双字节和4字节方案。其中单字节、双字节和GBK是

5

完全兼容的。4字节编码的码位就是收录了CJK扩展A的6582个汉字。 例如： UCS的

0x3400在GB18030中的编码应该是8139EF30，UCS的0x3401在GB18030中的编码

应该是8139EF31。

微软提供了GB18030的升级包，但这个升级包只是提供了一套支持CJK扩展A的

6582个汉字的新字体：新宋体-18030，并不改变内码。Windows 的内码仍然是GBK。

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。

对于任何字符编码，编码单元的顺序是由编码方案指定的，与endian无关。例如GBK

的编码单元是字节，用两个字节表示一个汉字。 这两个字节的顺序是固定的，不受CPU

字节序的影响。UTF-16的编码单元是word（双字节），word之间的顺序是编码方案指定

的，word内部的字节排列才会受到 endian的影响。后面还会介绍UTF-16。

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

6

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。

根据维基百科全书(/wiki/)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（）。

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ISO 10646-3:2003。

UCS 只是规定如何编码，并没有规定如何传输、保存这个编码。例如“汉”字的UCS

编码是6C49，我可以用4个ascii数字来传输、保存这个编码；也可以用 utf-8编码:3个

连续的字节E6 B1 89来表示它。关键在于通信双方都要认可。UTF-8、UTF-7、UTF-16

都是被广泛接受的方案。 UTF-8的一个特别的好处是它与ISO-8859-1完全兼容。UTF

是“UCS Transformation Format”的缩写。

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

7

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。

2.1、内码和code page

目前Windows的内核已经支持Unicode字符集，这样在内核上可以支持全世界所有

的语言文字。但是由于现有的大量程序和文档都采用了某种特定语言的编码，例如GBK，

Windows不可能不支持现有的编码，而全部改用Unicode。

Windows使用代码页(code page)来适应各个国家和地区。code page可以被理解为

前面提到的内码。GBK对应的code page是CP936。

微软也为GB18030定义了code page：CP54936。但是由于GB18030有一部分4

字节编码，而Windows的代码页只支持单字节和双字节编码，所以这个code page是无

法真正使用的。

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

8

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。

9

读者可以用记事本测试一下我们的编码是否正确。需要注意，UltraEdit在打开utf-8

编码的文本文件时会自动转换为UTF-16，可能产生混淆。你可以在设置中关掉这个选项。

更好的工具是Hex Workshop。

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 “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

10

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" (/i18n/

ucs/)。

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" (ht

tp:///cms/scripts/?site_id=nrsi&item_id=IWS-Chapter04a)

"Character set encoding basics Understanding character set encodings and le

gacy encodings" (/cms/scripts/?site_id=nrsi&item_id

=IWS-Chapter03)

11

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。

附录1 再说说区位码、GB2312、内码和代码页

有的朋友对文章中这句话还有疑问：

“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。”

我再详细解释一下：

“GB2312 的原文”是指国家1980年的一个标准《中华人民共和国国家标准 信息交

换用汉字编码字符集 基本集 GB 2312-80》。这个标准用两个数来编码汉字和中文符号。

第一个数称为“区”，第二个数称为“位”。所以也称为区位码。1-9区是中文符号，16-55

区是一级汉字，56-87区是二级汉字。现在 Windows也还有区位输入法，例如输入1601

得到“啊”。（这个区位输入法可以自动识别16进制的GB2312和10进制的区位码，也

就是说输入 B0A1同样会得到“啊”。）

内码是指操作系统内部的字符编码。早期操作系统的内码是与语言相关的。现在的

Windows在系统内部支持Unicode，然后用代码页适应各种语言，“内码”的概念就比

12

较模糊了。微软一般将缺省代码页指定的编码说成是内码。

内码这个词汇，并没有什么官方的定义，代码页也只是微软这个公司的叫法。作为程

序员，我们只要知道它们是什么东西，没有必要过多地考证这些名词。

所谓代码页(code page)就是针对一种语言文字的字符编码。例如GBK的code page

是CP936，BIG5的code page是CP950，GB2312的code page是CP20936。

Windows中有缺省代码页的概念，即缺省用什么编码来解释字符。例如Windows

的记事本打开了一个文本文件，里面的内容是字节流：BA、BA、D7、D6。Windows应

该去怎么解释它呢？

是按照Unicode编码解释、还是按照GBK解释、还是按照BIG5解释，还是按照

ISO8859-1去解释？如果按GBK去解释，就会得到“汉字”两个字。按照其它编码解释，

可能找不到对应的字符，也可能找到错误的字符。所谓“错误”是指与文本作者的本意不

符，这时就产生了乱码。

答案是Windows按照当前的缺省代码页去解释文本文件里的字节流。缺省代码页可

以通过控制面板的区域选项设置。记事本的另存为中有一项ANSI，其实就是按照缺省代码

页的编码方法保存。

Windows的内码是Unicode，它在技术上可以同时支持多个代码页。只要文件能说

明自己使用什么编码，用户又安装了对应的代码页，Windows就能正确显示，例如在HTML

文件中就可以指定charset。

13

有的HTML文件作者，特别是英文作者，认为世界上所有人都使用英文，在文件中不

指定charset。如果他使用了0x80-0xff之间的字符，中文 Windows又按照缺省的GBK

去解释，就会出现乱码。这时只要在这个html文件中加上指定charset的语句，例如：

如果原作者使用的代码页和ISO8859-1兼容，就不会出现乱码了。

再说区位码，啊的区位码是1601，写成16进制是0x10,0x01。这和计算机广泛使用

的ASCII编码冲突。为了兼容00-7f的ASCII编码，我们在区位码的高、低字节上分别加

上A0。这样“啊”的编码就成为B0A1。我们将加过两个A0的编码也称为GB2312编码，

虽然GB2312的原文根本没提到这一点。

附：就考试而言，从考前、考中二个阶段来谈谈学生正确心态的培养。1、考前心态：

适度压力正常，重实力轻运气：（1）考前的正常心态，首先应该是保持适度的紧张和压力。

有的家长说学生一到考试就紧张，其实紧张是学生重视考试的一种表现，也是青春期成长

中的学生在开始承担个人和社会责任的过程中，一种正常的反应。我们不可能也不应该做

到让学生完全不紧张，只是不用过度施加压力就好。（2）考前的复习，要更多的着重于梳

理知识、总结题目、反思错误，从而真正的提高自身的实力，而不要意图在押题这种运气

行为上

2、考中心态：客观看待题目，保持个人节奏：（1）考试中的心态，往往也反映在考

试的策略上。从应试的角度而言，能得高分的策略才是好策略。但是在实际的考试中，很

多同学却忽略了这一点。（2）考试中最常见的心态失衡的表现就是“跟一道题死磕”，耗费

太多的时间在一个小问题上。很多同学知道自己有这个问题，但是就是改不掉，一方面要

14

加强考试时对自身的认知和控制，另一方面这部分同学往往在平时生活中就比较容易急躁、

较真、较劲，更多的要在平时处理问题时，就有意识的培养良好的心态。（3）好的考试心

态是：无论出现什么意外，总能保持个人习惯的考试节奏应试。遇见难题可以跳过去，没

感觉的题过一会儿再想。不急躁，不自大，客观、冷静。

15

本文标签： 编码字节字符问题内码