[[392291]]

Python中文社區(qū) ID:python-china

Unicode——萬國碼

為解決語言各自為政的編碼，人們提出了Unicode編碼方案，這個方案簡單粗暴：把世界上所有語言字符統(tǒng)一編碼。Unicode的兩種方案UCS-2和UCS-4，可使用空間分別達(dá)到2^16和2^32個：外星人到訪地球之前，應(yīng)該是夠用的。

我們看幾個字符的Unicode編碼碼位(code point)是怎樣的： 

ls = 'abAB鞏★☆' 
print([ord(l) for l in ls]) 

結(jié)果：[97, 98, 65, 66, 24041, 9733, 9734]。可見，字母abAB的Unicode碼位和其ASCII碼位一致，所以字符為字母時兩者兼容，而漢字鞏的碼位為24041(0x5de9)，與之前的GB系列編碼47534(0xb9ae)不同，所以Unicode和GB系列編碼之間是不完全兼容的：只有ASCII部分兼容。

所有國家的人都使用Unicode編碼之后，擴(kuò)展、亂碼問題都不復(fù)存在：所有人類語言字符都有了一個統(tǒng)一的編碼碼位，溝通中我們寫出的每個數(shù)字編碼，都有唯一的字符與他對應(yīng)。Python中chr函數(shù)返回Unicode碼位對應(yīng)的字符。 

>>> print([chr(i) for i in [123,957,24041]]) 
['{', 'ν', '鞏'] 

那么我們可以使用強(qiáng)大的Unicode進(jìn)行編碼了么?

>>> ls = 'abAB鞏★☆' 
>>> ls.encode('Unicode') 
Traceback (most recent call last): 
  File "<stdin>", line 1, in <module> LookupError: unknown encoding: Unicode 

未知編碼Unicode!這是因為，并不存在Unicode碼這種編碼形式，Unicode只是一個碼位表，它只是建立了字符和整數(shù)之間的映射。至于整數(shù)碼位(code point)如何存儲成字節(jié)，先存高位低位，有沒有特殊標(biāo)志，Unicode并不直接決定，而是交給具體編碼來考慮這些細(xì)節(jié)：UTF-32，UTF-16和UTF-8。

UTF-32 四字節(jié)為單位

UTF-32，顧名思義，是用32位，也就是四個字節(jié)來存儲一個字符的編碼方案。 

>>> 'aA鞏'.encode('utf-32LE') 
b'a\x00\x00\x00A\x00\x00\x00\xe9\x5d\x00\x00' 

可見，所有的字符，都使用了四個字節(jié)來存儲：每個字節(jié)除了Unicode碼位之外，不足用\x00來填充。此法簡單明了，Unicode碼位不用轉(zhuǎn)換，直接填充。但大量的\x00造成了極大的浪費(fèi)。有沒有辦法解決這種浪費(fèi)了?壓縮下用兩位行不行?

UTF-16 兩字節(jié)為單位

當(dāng)用UTF-16來編碼時。 

>>> 'aA鞏'.encode('utf-16LE') 
b'a\x00A\x00\xe9\x5d' 

兩個字節(jié)對絕大多數(shù)Unicode碼位來說是夠用的，不夠用的話系統(tǒng)自動用四位表示。這是系統(tǒng)實現(xiàn)，我們無需關(guān)心。UTF-16編碼后的字節(jié)序列和字符，依然能夠一一對應(yīng)起來。UTF-16其實有兩種編碼方法，分別為上例的UTF-16LE和如下的UTF-16BE，測試： 

>>> 'aA鞏'.encode('utf-16BE') 
b'\x00a\x00A\x5d\xe9' 

兩者基本一樣，只是高低字節(jié)位置發(fā)生了顛倒。LE和BE后綴，表示小字節(jié)序(little endian)和大字節(jié)序(big endian)。這是計算機(jī)內(nèi)部關(guān)于字節(jié)的MSB(大權(quán)重字節(jié))放在字節(jié)的開頭還是結(jié)尾的具體實現(xiàn)細(xì)節(jié)。

《格列佛游記》中，小人國國民為吃雞蛋先吃大頭或小頭，針鋒相對，組成了兩個軍事對立集團(tuán)big endians和little endians，相互間多次發(fā)動戰(zhàn)爭。

那么兩個字節(jié)就是Unicode編碼的極限了么?

UTF-8 變長字節(jié)編碼

能不能用可變數(shù)目的字節(jié)來存儲文本呢?如果存儲的是英文文本的話，每個字符只用一個字節(jié)就可以;漢字的話，再進(jìn)行擴(kuò)展。如此來進(jìn)一步節(jié)省存儲空間。答案是可以的，這就是可變長度編碼UTF-8。 

>>> 'aA鞏'.encode('utf-8') 
b'aA\xe5\xb7\xa9' 

這是目前最短的字節(jié)序列，因為aA分別存儲成了一個字節(jié)。需要注意的是，UTF-32和UTF-16中，鞏的字節(jié)序列是0x5de9，但在UTF-8中，字節(jié)序列變成了0xe5b7a9。這說明UTF-8編碼不是簡單地把Unicode碼位直接存儲進(jìn)字節(jié)序列中，而是進(jìn)行了某些轉(zhuǎn)換。這些轉(zhuǎn)換，保證了英文用一位存儲，漢語等較大字符多字節(jié)存儲。那么是如何轉(zhuǎn)換的呢?

UTF-8 編碼轉(zhuǎn)換規(guī)則

本部分過于細(xì)節(jié)，可略過。UTF-8實現(xiàn)了可變長度的編碼，為解碼時區(qū)分可變長度究竟多長，需要在字節(jié)序列里使用特殊模板。UTF-8編碼遵循以下規(guī)則：

• 0x00-0x7F之間的碼位，兼容ASCII碼，單字節(jié)直接存儲在以下模板 0*** ****
• 0x80-0x7ff之間，使用兩個字節(jié)存儲，字節(jié)模板是110* **** 10** ****
• 0x800-0xffff之間，使用三個字節(jié)存儲，字節(jié)模板是1110 **** 10** **** 10** ****
• 0x10000-0x1fffff之間，使用四個字節(jié)存儲，字節(jié)模板是1111 0*** 10** **** 10** **** 10** ****

以漢字鞏為例，其Unicode碼位為0x6c49，二進(jìn)制位110 1100 0100 1001。位于第三行范圍，所以需要三個字節(jié)來存儲，寫出模板，1110 **** 10** **** 10** ****，使用二進(jìn)制，從右向左填充，不足部分補(bǔ)零，可得結(jié)果1110 0110 1011 0001 1000 1001，十六進(jìn)制為0xe6 0xb7 0x89，所以鞏編碼為UTF-8的字節(jié)序列形式為0Xe6b789。讓我們從UTF-8編碼轉(zhuǎn)換細(xì)節(jié)中，回到UTF三種編碼的長度問題上來。

UTF三種編碼后的長度

以上三種編碼方式，由于壓縮率不用，導(dǎo)致文件長度也不同，以下程序比較當(dāng)文本為漢字和英語內(nèi)容時，三種不同編碼的長度： 

es = 'abcdefghij' 
cs = '莫愁前路無知己，天下誰人不識君。' 
 
codes = ['utf-32le','utf-16le','utf-8'] 
 
print([len(es.encode(code)) for code in codes]) 
print([len(cs.encode(code)) for code in codes]) 

輸出為 [40, 20, 10] [64, 32, 48] 可見，對于英文來說，UTF-8比UTF-16和UTF-32編碼都要有優(yōu)勢;對漢字來說，最有優(yōu)勢的反而是UTF16編碼。這是因為UTF-16編碼中，大部分漢字采用2Byte存儲，而UTF-8中漢字需要三個字節(jié)存儲。在日常生活中，因為考慮到最大兼容性，UTF-8使用的最為廣泛。至此，我們從ASCII碼到GB系列編碼，再到Unicode和相應(yīng)的UTF系列編碼，一路進(jìn)化，擁有了一個包羅萬碼，不會亂碼和有較高壓縮率的字符編碼系統(tǒng)。可以使用了么?沒有!因為我們只是編碼了文本自身，并沒有記載具體用了那個編碼：當(dāng)我們發(fā)送一份文件后，除非告訴對方，否則對方不知道應(yīng)該該用什么編碼打開它。解決這個問題，我們留待下篇文章分析。

總結(jié)

• Unicode統(tǒng)一了世界各語言字符。Unicode幾種編碼形式中;
• UTF-32簡單，但浪費(fèi)嚴(yán)重。
• UTF-16使用兩個字節(jié)為單位存儲，節(jié)省了空間。
• UTF-8使用一個字節(jié)直接存儲，是效率、空間的平衡。