基本介紹
- 中文名：編碼
- 外文名：coding
- 分類1：二進制、十進制
- 分類2：GB、GBK
- 體系：計算機語言、ASCII、國標、GBK等
- 逆過程：解碼
定義,編碼常識,簡介,編碼分類,體系,ASCII,國標,GBK,BIG5,HZ碼,CJK碼,ISO,編碼種類,文字編碼,語義編碼,電子編碼,PCM編碼,神經編碼,記憶編碼,加密,解碼,字元集編,
定義
n位二進制數可以組合成2的n次方個不同的信息，給每個信息規定一個具體碼組，這種過程也叫編碼。
編碼常識
簡介
GB編碼標準中，比較常用的是GB2312和GBK兩種，GB2312是GBK的一個子集，GB2312編碼範圍是 0xA1A1 - 0xFEFE ，如果純粹的 GB2312編碼，處理起來是十分簡單的，但處理GBK字元集時有些小的提示，先說說GBK編碼的標準吧：
GBK 採用雙位元組表示，總體編碼範圍為 8140-FEFE，首位元組在 81-FE 之間，尾位元組在 40-FE 之間，剔除 xx7F 一條線。總計 23940 個碼位，共收入 21886 個漢字和圖形符號，其中漢字（包括部首和構件）21003 個，圖形符號 883 個。
編碼分類
1. 漢字區。包括：
a. GB 2312 漢字區。即 GBK/2: B0A1-F7FE。收錄 GB 2312 漢字 6763 個，按原順序排列。
b. GB 13000.1 擴充漢字區。包括：
(1) GBK/3: 8140-A0FE。收錄 GB 13000.1 中的 CJK 漢字 6080 個。
(2) GBK/4: AA40-FEA0。收錄 CJK 漢字和增補的漢字 8160 個。
CJK 漢字在前，按 UCS 代碼大小排列；增補的漢字（包括部首和構件）在後，按《康熙字典》的頁碼/字位排列。
2. 圖形符號區。包括：
a. GB 2312 非漢字元號區。即 GBK/1: A1A1-A9FE。其中除 GB 2312 的符號外，
還有 10 個小寫羅馬數字和 GB 12345 增補的符號。計符號 717 個。
b. GB 13000.1 擴充非漢字區。即 GBK/5: A840-A9A0。BIG-5 非漢字元號、結構符和“○”排列在此區。計符號 166 個。
3. 用戶自定義區：分為(1)(2)(3)三個小區。
(1) AAA1-AFFE，碼位 564 個。
(2) F8A1-FEFE，碼位 658 個。
(3) A140-A7A0，碼位 672 個。
第(3)區儘管對用戶開放，但限制使用，因為不排除未來在此區域增補新字元的可能性。
這裡有幾個小技巧：
一、在php中，字元編碼是按所傳送的編碼為準的，因此使用的就是用戶輸入的編碼，不會自動改變，但在asp中，默認的編碼是unicode，這樣我們很容易就能得到gbk->unicode的編碼對照表，這樣即使在毫無基礎庫的情況下也能很容易的實現gbk到utf-8的轉換了；
二、由於GBK是高位最低數值是0x40，即是64，因此，有時候組織一些涉及中文的字串時，分割字元最好用64之前的ascii碼，這樣在任意情況下替換或分割都不會出現亂碼，比較常用的是 ","、";"、":"、" "、" "、" "，這些字元永遠都不會給gb編碼添亂。
體系
ASCII
我們日常接觸到的檔案分ASCII和Binary兩種。ASCII是“美國信息交換標準編碼”的英文字頭縮寫，可稱之為“美標”。美標規定了用從0到127的128個數字來代表信息的規範編碼，其中包括33個控制碼，一個空格碼，和94個形象碼。形象碼中包括了英文大小寫字母，阿拉伯數字，標點符號等。我們平時閱讀的英文電腦文本，就是以形象碼的方式傳遞和存儲的。美標是國際上大部分大小電腦的通用編碼。
然而電腦中的一個字元大都是用一個八位數的二進制數字表示。這樣每一字元便可能有256個不同的數值。由於美標只規定了128個編碼，剩下的另外128個數碼沒有規範，各家用法不一。另外美標中的33個控制碼，各廠家用法也不盡一致。這樣我們在不同電腦間交換檔案的時候，就有必要區分兩類不同的檔案。第一類檔案中每一個字都是美標形象碼或空格碼。這類檔案稱為“美標文本檔案”(ASCII Text Files)，或略為“文本檔案”，通常可在不同電腦系統間直接交換。第二類檔案，也就是含有控制碼或非美標碼的檔案，通常不能在不同電腦系統間直接交換。這類檔案有一個通稱，叫“二進制檔案”(Binary Files)。
國標
“國標”是“中華人民共和國國家標準信息交換用漢字編碼”的簡稱。國標表（基本表）把七千餘漢字、以及標點符號、外文字母等，排成一個94行、94列的方陣。方陣中每一橫行叫一個“區”，每個區有九十四個“位”。一個漢字在方陣中的坐標，稱為該字的“區位碼”。例如“中”字在方陣中處於第54區第48位，它的區位碼就是5448。
其實94這個數字。它是美標中形象碼的總數。國標表沿用這個數字，本意大概是要用兩個美標形象符代表一個漢字。由於美標形象符的編碼是從33到126，漢字區位碼如果各加上32，就會與美標形象碼的範圍重合。如上例“中”字區、位碼加上32後，得86,80。這兩個數字的十六進制放在一起得5650，稱為該字的“國標碼”，而與其相對應的兩個美標符號，VP，也就是“中”字的“國標符”了。
這樣就產生了一個如何區分國標符與美標符的問題。在一個中英文混用的檔案里，“VP”到底代表“中”字呢，還是代表某個英文字頭縮寫？電子工業部第六研究所開發CCDOS的時候，使用了一個簡便的解決方案：把國標碼的兩個數字各加上128，上升到非美標碼的位置。（改變後的國標碼，習慣上仍叫“國標”。）
這個方案固然解決了原來的問題，可是新的問題隨之產生。中文檔案成了“二進制檔案”，既不能可靠地在不同電腦系統間交換，也不與市場上大部分以美標符號為設計對象的軟體兼容。
為了區分以上兩種“國標”，我們把原與美標形象碼重合的國標碼稱為“純國標” ，而把CCDOS加上128的國標碼稱為“準國標”。
GBK
GBK碼是GB碼的擴展字元編碼，對多達2萬多的簡繁漢字進行了編碼，簡體版的Win95和Win98都是使用GBK作系統內碼。
從實際運用來看，微軟自win95簡體中文版開始，系統就採用GBK代碼，它包括了TrueType宋體、黑體兩種GBK字型檔（北京中易電子公司提供），可以用於顯示和列印，並提供了四種GBK漢字的輸入法。此外，瀏覽器IE4.0簡體、繁體中文版內部提供了一個GBK-BIG5代碼雙向轉換功能。此外，微軟公司為IE提供的語言包中，簡體中文支持（Simplified Chinese Language Support Kit）的兩種字型檔宋體、黑體，也是GBK漢字（珠海四通電腦排版系統開發公司提供）。其他一些中文字型檔生產廠商，也開始提供TrueType或PostScript GBK字型檔。
網際網路方面，許多網站網頁使用GBK代碼。
但是多數搜尋引擎都不能很好的支持GBK漢字搜尋，大陸地區的搜尋引擎有些能不完善的支持GBK漢字檢索。
其實，GBK是又一個漢字編碼標準，全稱《漢字內碼擴展規範》（Chinese Internatial Code Specification），1995年頒布。GB是國標，K是漢字“擴展”的漢語拼音第一個字母。
GBK向下與GB-2312編碼兼容，向上支持ISO 10646.1國際標準，是前者向後者過渡的一個承啟標準。
GBK規範收錄了ISO 10646.1中的全部CJK漢字和符號，並有所補充。具體包括：GB 2312中的全部漢字、非漢字元號；GB 13000.1中的其他CJK漢字。以上合計20902個GB化漢字；《簡化總表中》未收入GB 13000.1的52個漢字；《康熙字典》以及《辭海》中未被收入GB 13000.1的28個部首及重要構件；13個漢字結構符；BIG-5中未被GB 2312收入、但存在於GB 13000.1的139個圖形符號；GB 12345增補的6個拼音符號；GB 12345增補的19個豎排圖形符號（GB 12345較GB 2312增補豎排標點符號29個，其中10個未被GB 13000.1收入，故GBK亦不收）；從GB 13000.1的CJK兼容區挑選出的21個漢字；GB 13000.1收入的31個IBM OS/2專用符號。GBK亦採用雙位元組表示，總體編碼範圍為0x8140~0xFEFE之間，首位元組在0x81~0xFE之間，尾位元組在0x40~0xFE之間，剔除0x××7F一條線，總計23940個碼位，共收入21886個漢字和圖形符號，其中漢字（包括部首和構件）21003個，圖形符號883個。
BIG5
HZ碼
HZ 碼是中國留學生為了使漢字信息能在網路上直接傳送而產生的。因目前大多數 （西方）網路系統為7位，最高位被禁止掉，因此 GB 碼無法被直接傳輸，HZ 碼是為了達到在7位網路系統中直接傳遞漢字信息的目的而規範的。
“HZ”方案的特點，是以“純國標”的中文與美標碼混用。那么“HZ”是怎樣區分國標符和美標符的呢？答案其實也很簡單：當一串美標碼中間插入一段國標碼的時候，我們便在國標碼的前面加上~，後面加上~。這些附加碼分別叫“逃出碼”和“逃入碼”。 由於這些附加碼本身也是美標形象碼，整個檔案就儼然是一個美標文本檔案，可以安然地 在電腦網上傳遞，也和大部分英文文本處理軟體兼容。
CJK碼
ISO-2022是國際標準組織（ISO）為各種語言字元制定的編碼標準。採用二個位元組編碼，其中漢語編碼稱ISO-2022 CN，日語、韓語的編碼分別稱JP、KR。一般將三者合稱CJK碼。CJK碼主要在Internet網路中使用。
ISO
1993年，國際標準ISO10646 定義了通用字元集(Universal Character Set, UCS)。 UCS 是所有其他字元集標準的一個超集。它保證與其他字元集是雙向兼容的。就是說， 如果你將任何文本字元串翻譯到 UCS格式，然後再翻譯回原編碼, 你不會丟失任何信息。
UCS 包含了用於表達所有已知語言的字元。不僅包括拉丁語，希臘語，斯拉夫語，希伯來語,阿拉伯語，亞美尼亞語和喬治亞語的描述， 還包括中文，日文和韓文這樣的象形文字，以及平假名，片假名，孟加拉語,旁遮普語果魯穆奇字元(Gurmukhi)，泰米爾語， 印.埃納德語(Kannada)，Malayalam，泰國語， 寮語， 漢語拼音(Bopomofo)， Hangul，Devangari，Gujarati， Oriya，Telugu 以及其它語種。對於還沒有加入的語言, 由於正在研究怎樣在計算機中最好地編碼它們， 因而最終它們都將被加入。這些語言包括Tibetian，高棉語，Runic(古代北歐文字)，衣索比亞語， 其他象形文字，以及各種各樣的印-歐語系的語言，還包括挑選出來的藝術語言比如 Tengwar，Cirth 和克林貢語(Klingon)。UCS 還包括大量的圖形的，印刷用的，數學用的和科學用的符號，包括所有由 TeX，Postscript，MS-DOS，MS-Windows， Macintosh， OCR字型， 以及許多其他字處理和出版系統提供的字元。
ISO 10646 定義了一個 31 位的字元集。 然而， 在這巨大的編碼空間中, 迄今為止只分配了前 65534 個碼位 (0x0000 到 0xFFFD)。這個UCS的16位子集稱為基本多語言面 (Basic Multilingual Plane, BMP)。 將被編碼在16位BMP以外的字元都屬於非常特殊的字元(比如象形文字), 且只有專家在歷史和科學領域裡才會用到它們。按當前的計畫， 將來也許再也不會有字元被分配到從0x000000到0x10FFFF這個覆蓋了超過100萬個潛在的未來字元的 21 位的編碼空間以外去了。ISO 10646-1標準第一次發表於1993年, 定義了字元集與 BMP 中內容的架構。定義 BMP以外的字元編碼的第二部分 ISO 10646-2 正在準備中， 但也許要過好幾年才能完成。新的字元仍源源不斷地加入到 BMP 中, 但已經存在的字元是穩定的且不會再改變了。
UCS 不僅給每個字元分配一個代碼， 而且賦予了一個正式的名字。表示一個 UCS 或 Unicode 值的十六進制數, 通常在前面加上 “U+”， 就象U+0041 代表字元“拉丁大寫字母A”。UCS字元U+0000到U+007F 與 US-ASCII(ISO 646) 是一致的， U+0000 到 U+00FF 與 ISO8859-1(Latin-1) 也是一致的。從 U+E000 到 U+F8FF，已經BMP 以外的大範圍的編碼是為私用保留的。
1993年，ISO10646中定義的USC-4 (Universal Character Set) ，使用了4 個位元組的寬度以容納足夠多的相當可觀的空間，但是這個過於肥胖的字元標準在當時乃至21世紀都有其不現實的一面，就是會過分侵占存儲空間並影響信息傳輸的效率。 與此同時，Unicode 組織於約 10 年前以 Universal, Unique和Uniform 為主旨也開始開發一個16位字元標準， 為避免兩種16位編碼的競爭，1992年兩家組織開始協商，以期折衷尋找共同點，這就是今天的 UCS-2 (BMP，Basic Multilingual Plane，16bit) 和Unicode，但它們仍然是不同的方案。
Unicode
關於Unicode我們需要追溯一下它產生的淵源。
當計算機普及到東亞時，遇到了使用表意字元而非字母語言的中、日、韓等國家。在這些國家使用的語言中常用字元多達幾千個，而原來字元採用的是單位元組編碼，一張代碼頁中最多容納的字元只有2^8=256個，對於使用表意字元的語言是在無能為力。既然一個位元組不夠，自然人們就採用兩個位元組，所有出現了使用雙位元組編碼的字元集(DBCS)。不過雙位元組字元集中雖然表意字元使用了兩個位元組編碼，但其中的ASCII碼和日文片假名等仍用單位元組表示，如此一來給程式設計師帶來了不小的麻煩，因為每當涉及到DBCS字元串的處理時，總是要判斷當中的一個位元組到底表示的是一個字元還是半個字元，如果是半個字元，那是前一半還是後一半？由此可見DBCS並不是一種非常好的解決方案。
人們在不斷尋找這更好的字元編碼方案，最後的結果就是Unicode誕生了。Unicode其實就是寬位元組字元集，它對每個字元都固定使用兩個位元組即16位表示，於是當處理字元時，不必擔心只處理半個字元。
Unicode在網路、Windows系統和很多大型軟體中得到套用。
編碼種類
編碼(Encoding)在認知上是解釋傳入的刺激的一種基本知覺的過程。技術上來說，這是一個複雜的、多階段的轉換過程，從較為客觀的感覺輸入（例如光、聲）到主觀上有意義的體驗。
字元編碼(Character encoding)是一套法則，使用該法則能夠對自然語言的字元的一個集合（如字母表或音節表），與其他東西的一個集合（如號碼或電脈衝）進行配對。
文字編碼
文字編碼(Text encoding)使用一種標記語言來標記一篇文字的結構和其他特徵，以方便計算機進行處理。
語義編碼
語義編碼(Semantics encoding)，以正式語言乙對正式語言甲進行語義編碼，即是使用語言乙表達語言甲所有的辭彙（如程式或說明）的一種方法。
電子編碼
電子編碼(Electronic encoding)是將一個信號轉換成為一個代碼，這種代碼是被最佳化過的以利於傳輸或存儲。轉換工作通常由一個編解碼器完成。
PCM編碼
PCM 脈衝編碼調製是Pulse Code Modulation的縮寫。（又叫脈衝編碼調製）：數字通信的編碼方式之一。主要過程是將話音、圖像等模擬信號每隔一定時間進行取樣，使其離散化，同時將抽樣值按分層單位四捨五入取整量化，同時將抽樣值按一組二進制碼來表示抽樣脈衝的幅值。
神經編碼
神經編碼(Neural encoding)是指信息在神經元中被如何描繪的方法。
記憶編碼
記憶編碼(Memory encoding)是把感覺轉換成記憶的過程。
加密
加密(Encryption)是為了保密而對信息進行轉換的過程。
解碼
解碼(Transcoding)是將編碼從一種格式轉換到另一種格式的過程。
字元集編
碼轉換輕鬆實現
一、利用iconv函式族進行編碼轉換
在LINUX上進行編碼轉換時，既可以利用iconv函式族編程實現,還可以利用iconv命令去實現，只不過後者是針對檔案的,也就是將指定檔案從一種編碼轉換為另一種編碼。
iconv函式族的頭檔案是iconv.h，使用前需包含之。
#include <iconv.h>
iconv函式族有三個函式，原型如下：
(1) iconv_t iconv_open(const char *tocode, const char *fromcode)
此函式說明將要進行哪兩種編碼的轉換，tocode是目標編碼，fromcode是原編碼，該函式返回一個轉換句柄，供以下兩個函式使用。
(2)size_ticonv(iconv_t cd，char **inbuf，size_t *inbytesleft，char **outbuf，size_t *outbytesleft)
此函式從inbuf中讀取字元，轉換後輸出到outbuf中，inbytesleft用以記錄還未轉換的字元數，outbytesleft用以記錄輸出緩衝的剩餘空間。 (3) int iconv_close(iconv_t cd)
此函式用於關閉轉換句柄,釋放資源。
例子1： 用C語言實現的轉換示例程式
/* f.c ：代碼轉換示例C程式 */
#include <iconv.h>
#define OUTLEN 255
main()
{
char *in_utf8 = "姝e?ㄥ??瑁?"
char *in_gb2312 = "正在安裝"
char out[OUTLEN]
//unicode碼轉為gb2312碼
rc = u2g(in_utf8,strlen(in_utf8),out,OUTLEN)
printf("unicode-->gb2312 out=%sn",out)
//gb2312碼轉為unicode碼
rc = g2u(in_gb2312,strlen(in_gb2312),out,OUTLEN)
printf("gb2312-->unicode out=%sn",out)
}
//代碼轉換：從一種編碼轉為另一種編碼
int code_convert(char *from_charset,char *to_charset,char *inbuf,int inlen,char *outbuf,int outlen)
{
iconv_t cd;
int rc;
char **pin = &inbuf;
char **pout = &outbuf;
cd = iconv_open(to_charset,from_charset);
if (cd==0) return -1;
memset(outbuf,0,outlen);
if (iconv(cd,pin,&inlen,pout,&outlen)==-1) return -1;
iconv_close(cd);
return 0;
}
//UNICODE碼轉為GB2312碼
int u2g(char *inbuf,int inlen,char *outbuf,int outlen)
{
return code_convert("utf-8","gb2312",inbuf,inlen,outbuf,outlen);
}
//GB2312碼轉為UNICODE碼
int g2u(char *inbuf,size_t inlen,char *outbuf,size_t outlen)
{
return code_convert("gb2312","utf-8",inbuf,inlen,outbuf,outlen);
}
例子2: 用C++語言實現的轉換示例程式
/* f.cpp : 代碼轉換示例C++程式 */
#include <iconv.h>
#include <iostream>
#define OUTLEN 255
using namespace std;
// 代碼轉換操作類
class CodeConverter {
private:
iconv_t cd;
public:
// 構造
CodeConverter(const char *from_charset,const char *to_charset) {
cd = iconv_open(to_charset,from_charset;
}
// 析構
~CodeConverter() {
iconv_close(cd);
}
// 轉換輸出
int convert(char *inbuf,int inlen,char *outbuf,int outlen) {
char **pin = &inbuf;
char **pout = &outbuf;
memset(outbuf,0,outlen);
return iconv(cd,pin,(size_t *)&inlen,pout,(size_t *)&outlen);
}
};
int main(int argc, char **argv)
{
char *in_utf8 = "姝e?ㄥ??瑁?";
char *in_gb2312 = "正在安裝";
char out[OUTLEN];
// utf-8-->gb2312
CodeConverter cc = CodeConverter("utf-8","gb2312");
cc.convert(in_utf8,strlen(in_utf8),out,OUTLEN);
cout << "utf-8-->gb2312 in=" << in_utf8 << ",out=" << out << endl;
// gb2312-->utf-8
CodeConverter cc2 = CodeConverter("gb2312","utf-8");
cc2.convert(in_gb2312,strlen(in_gb2312),out,OUTLEN);
cout << "gb2312-->utf-8 in=" << in_gb2312 << ",out=" << out << endl;
}
二、利用iconv命令進行編碼轉換
LINUX上進行編碼轉換時，既可以利用iconv函式族編程實現,也可以利用iconv命令來實現，只不過後者是針對檔案的,即將指定檔案從一種編碼轉換為另一種編碼。
iconv命令用於轉換指定檔案的編碼，默認輸出到標準輸出設備,亦可指定輸出檔案。
用法： iconv [選項...] [檔案...]
有如下選項可用：
輸入/輸出格式規範：
-f, --from-code=名稱 原始文本編碼
-t, --to-code=名稱 輸出編碼
信息：
-l, --list 列舉所有已知的字元集
輸出控制：
-c 從輸出中忽略無效的字元
-o, --output=FILE 輸出檔案
-s, --silent 關閉警告
--verbose 列印進度信息
-?, --help 給出該系統求助列表
--usage 給出簡要的用法信息
-V, --version 列印程式版本號
例子：
iconv -f utf-8 -t gb2312 aaa.txt >bbb.txt
這個命令讀取aaa.txt檔案，從utf-8編碼轉換為gb2312編碼，其輸出定向到bbb.txt檔案。
小結：LINUX為我們提供了強大的編碼轉換工具,給我們帶來了方便。
