文件编码格式详解

⽂件编码格式详解

从⽂件编码的⽅式来看，⽂件可分为ASCII码⽂件和⼆进制码⽂件两种。

ASCII⽂件也称为⽂本⽂件，这种⽂件在磁盘中存放时每个字符对应⼀个字节，⽤于存放对应的ASCII码。例如，数5678的存储形式为：

ASC码： 00110101 00110110 00110111 00111000

↓ ↓ ↓ ↓

⼗进制码： 5 6 7 8 共占⽤4个字节。ASCII码⽂件可在屏幕上按字符显⽰， 例如源程序⽂件就是ASCII⽂件，⽤

DOS命令TYPE可显⽰⽂件的内容。 由于是按字符显⽰，因此能读懂⽂件内容。

⼆进制⽂件是按⼆进制的编码⽅式来存放⽂件的。 例如， 数5678的存储形式为： 00010110 00101110只占⼆个字节。⼆进制⽂件虽然也可

在屏幕上显⽰，但其内容⽆法读懂。C系统在处理这些⽂件时，并不区分类型，都看成是字符流，按字节进⾏处理。输⼊输出字符流的开始

和结束只由程序控制⽽不受物理符号(如回车符)的控制。 因此也把这种⽂件称作“流式⽂件”。

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是怎花的童话 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，由此曾发⽣过六次叛乱，其中⼀个皇帝送

了命，另⼀个丢实习 了王位。

我们⼀般将endian翻译成“字节序”，将big endian和l提供劳务者受害责任纠纷 ittle 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。第一夫人歌词 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、维吾尔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，这些编龙抬头的寓意 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梦见暴风雪 。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Wi喝酒前吃什么解酒 ndows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。

根据维基百科全书(http: ///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的⼀贯风格宝宝出牙时间 ，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党员谈话记录内容 。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 - 007F0xxxxxxx

0080 - 07FF110xxxxx 10xxxxxx

0800 - FFFF1110xxxx 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：1110xxxx10xxxxxx 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：1110011010110001 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

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：

1.

"Understanding Unicode A general introduction to the Unicode Standard" (/cms/scripts/?site_id=nrsi&item_id=IWS-Chapter04a)

2.

"Character t encoding basics Understanding character t encodings and legacy encodings" (/cms/scripts/?

site_id=nrsi&item_id=IWS-Chapter03)

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。没想到考虑措辞和居然造句 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。

========================================