[[398954]]

本文轉(zhuǎn)載自微信公眾號「Linux開發(fā)那些事兒」，作者 LinuxThings。轉(zhuǎn)載本文請聯(lián)系Linux開發(fā)那些事兒公眾號。

計算機起源于美國，上個世紀，他們對英語字符與二進制位之間的關系做了統(tǒng)一規(guī)定，并制定了一套字符編碼規(guī)則，這套編碼規(guī)則被稱為ASCII編碼

ASCII 編碼一共定義了128個字符的編碼規(guī)則，用七位二進制表示 ( 0x00 - 0x7F ), 這些字符組成的集合就叫做 ASCII 字符集

隨著計算機的普及，在不同的地區(qū)和國家又出現(xiàn)了很多字符編碼，比如: 大陸的 GB2312、港臺的 BIG5, 日本的 Shift JIS等等

由于字符編碼不同，計算機在不同國家之間的交流變得很困難，經(jīng)常會出現(xiàn)亂碼的問題，比如：對于同一個二進制數(shù)據(jù)，不同的編碼會解析出不同的字符

當互聯(lián)網(wǎng)迅猛發(fā)展，地域限制打破之后，人們迫切的希望有一種統(tǒng)一的規(guī)則, 對所有國家和地區(qū)的字符進行編碼，于是 Unicode 就出現(xiàn)了

Unicode 簡介

Unicode 是國際標準字符集，它將世界各種語言的每個字符定義一個唯一的編碼，以滿足跨語言、跨平臺的文本信息轉(zhuǎn)換

Unicode 字符集的編碼范圍是 0x0000 - 0x10FFFF , 可以容納一百多萬個字符， 每個字符都有一個獨一無二的編碼，也即每個字符都有一個二進制數(shù)值和它對應，這里的二進制數(shù)值也叫 碼點 , 比如：漢字 "中" 的 碼點是 0x4E2D, 大寫字母 A 的碼點是 0x41, 具體字符對應的 Unicode 編碼可以查詢 Unicode字符編碼表

字符集和字符編碼

字符集是很多個字符的集合，例如 GB2312 是簡體中文的字符集，它收錄了六千多個常用的簡體漢字及一些符號，數(shù)字，拼音等字符

字符編碼是 字符集的一種實現(xiàn)方式，把字符集中的字符映射為特定的字節(jié)或字節(jié)序列，它是一種規(guī)則

比如：Unicode 只是字符集，UTF-8、UTF-16、UTF-32 才是真正的字符編碼規(guī)則

Unicode 字符存儲

Unicode 是一個符號集， 它只規(guī)定了每個符號的二進制值，但是符號具體如何存儲它并沒有規(guī)定

前面提到, Unicode 字符集的編碼范圍是 0x0000 - 0x10FFFF，因此需要 1 到 3 個字節(jié)來表示

那么，對于三個字節(jié)的 Unicode字符，計算機怎么知道它表示的是一個字符而不是三個字符呢 ?

如果所有字符都用三個字節(jié)表示，那么對于那些一個字節(jié)就能表示的字符來說，有兩個字節(jié)是無意義的，對于存儲來說，這是極大的浪費，假如 , 一個普通的文本, 大部分字符都只需一個字節(jié)就能表示，現(xiàn)在如果需要三個字節(jié)才能表示，文本的大小會大出三倍左右

因此，Unicode 出現(xiàn)了多種存儲方式，常見的有 UTF-8、UTF-16、UTF-32，它們分別用不同的二進制格式來表示 Unicode 字符

UTF-8、UTF-16、UTF-32 中的 "UTF" 是 "Unicode Transformation Format" 的縮寫，意思是"Unicode 轉(zhuǎn)換格式"，后面的數(shù) 字表明至少使用多少個比特位來存儲字符, 比如：UTF-8 最少需要8個比特位也就是一個字節(jié)來存儲，對應的， UTF-16 和 UTF-32 分別需要最少 2 個字節(jié) 和 4 個字節(jié)來存儲

UTF-8 編碼

UTF-8: 是一種變長字符編碼，被定義為將碼點編碼為 1 至 4 個字節(jié)，具體取決于碼點數(shù)值中有效二進制位的數(shù)量

UTF-8 的編碼規(guī)則:

對于單字節(jié)的符號，字節(jié)的第一位設為 0，后面 7 位為這個符號的 Unicode 碼。因此對于英語字母，UTF-8 編碼和 ASCII 碼是相同的, 所以 UTF-8 能兼容 ASCII 編碼，這也是互聯(lián)網(wǎng)普遍采用 UTF-8 的原因之一

對于 n 字節(jié)的符號( n > 1)，第一個字節(jié)的前 n 位都設為 1，第 n + 1 位設為 0，后面字節(jié)的前兩位一律設為 10 。剩下的沒有提及的二進制位，全部為這個符號的 Unicode 碼

下表是Unicode編碼對應UTF-8需要的字節(jié)數(shù)量以及編碼格式

Unicode編碼范圍(16進制)	UTF-8編碼方式(二進制)
000000 - 00007F	0xxxxxxx ASCII碼
000080 - 0007FF	110xxxxx 10xxxxxx
000800 - 00FFFF	1110xxxx 10xxxxxx 10xxxxxx
01 0000 - 10 FFFF	11110xxx 10xxxxxx 10xxxxxx 10xxxxxx

表格中第一列是Unicode編碼的范圍，第二列是對應UTF-8編碼方式，其中紅色的二進制 "1" 和 "0" 是固定的前綴, 字母 x 表示可用編碼的二進制位

根據(jù)上面表格，要解析 UTF-8 編碼就很簡單了，如果一個字節(jié)第一位是 0 ，則這個字節(jié)就是一個單獨的字符，如果第一位是 1 ，則連續(xù)有多少個 1 ，就表示當前字符占用多少個字節(jié)

下面以 "中" 字 為例來說明 UTF-8 的編碼，具體的步驟如下圖， 為了便于說明，圖中左邊加了 1，2，3，4 的步驟編號

首先查詢 "中" 字的 Unicode 碼 0x4E2D, 轉(zhuǎn)成二進制, 總共有 16 個二進制位， 具體如上圖 步驟1 所示

通過前面的 Unicode 編碼和 UTF-8 編碼的表格知道，Unicode 碼 0x4E2D 對應 000800 - 00FFFF 的范圍，所以, "中" 字的 UTF-8 編碼 需要 3 個字節(jié)，即格式是 1110xxxx 10xxxxxx 10xxxxxx

然后從 "中" 字的最后一個二進制位開始，按照從后向前的順序依次填入格式中的 x 字符，多出的二進制補為 0， 具體如上圖 步驟2、步驟3 所示

于是，就得到了 "中" 的 UTF-8 編碼是 11100100 10111000 10101101, 轉(zhuǎn)換成十六進制就是 0xE4B8AD， 具體如上圖 步驟4 所示

UTF-16 編碼

UTF-16 也是一種變長字符編碼, 這種編碼方式比較特殊, 它將字符編碼成 2 字節(jié) 或者 4 字節(jié)

具體的編碼規(guī)則如下:

• 對于 Unicode 碼小于 0x10000 的字符， 使用 2 個字節(jié)存儲，并且是直接存儲 Unicode 碼，不用進行編碼轉(zhuǎn)換
• 對于 Unicode 碼在 0x10000 和 0x10FFFF 之間的字符，使用 4 個字節(jié)存儲，這 4 個字節(jié)分成前后兩部分，每個部分各兩個字節(jié)，其中，前面兩個字節(jié)的前 6 位二進制固定為 110110，后面兩個字節(jié)的前 6 位二進制固定為 110111, 前后部分各剩余 10 位二進制表示符號的 Unicode 碼 減去 0x10000 的結果
• 大于 0x10FFFF 的 Unicode 碼無法用 UTF-16 編碼

下表是Unicode編碼對應UTF-16編碼格式

Unicode編碼范圍(16進制)	具體Unicode碼(二進制)	UTF-16編碼方式(二進制)	字節(jié)
0000 0000 - 0000 FFFF	xxxxxxxx xxxxxxxx	xxxxxxxx xxxxxxxx	2
0001 0000 - 0010 FFFF	yy yyyyyyyy xx xxxxxxxx	110110yy yyyyyyyy 110111xx xxxxxxxx	4

表格中第一列是Unicode編碼的范圍，第二列是 具體Unicode碼的二進制 ( 第二行的第二列表示的是 Unicode 碼 減去 0x10000 后的二進制 ) , 第三列是對應UTF-16編碼方式，其中紅色的二進制 "1" 和 "0" 是固定的前綴, 字母 x 和 y 表示可用編碼的二進制位， 第四列表示 編碼占用的字節(jié)數(shù)

前面提到過，"中" 字的 Unicode 碼是 4E2D, 它小于 0x10000，根據(jù)表格可知，它的 UTF-16 編碼占兩個字節(jié)，并且和 Unicode 碼相同，所以 "中" 字的 UTF-16 編碼為 4E2D

我從 Unicode字符表網(wǎng)站 找了一個老的南阿拉伯字母, 它的 Unicode 碼是: 0x10A6F , 可以訪問 https://unicode-table.com/cn/10A6F/ 查看字符的說明, Unicode 碼對應的字符如下圖所示

下面以這個 老的南阿拉伯字母的 Unicode 碼 0x10A6F 為例來說明 UTF-16 4 字節(jié)的編碼，具體步驟如下，為了便于說明，圖中左邊加了 1，2，3，4 、5的步驟編號

首先把 Unicode 碼 0x10A6F 轉(zhuǎn)成二進制, 對應上圖的 步驟 1

然后把 Unicode 碼 0x10A6F 減去 0x10000, 結果為 0xA6F 并把這個值轉(zhuǎn)成二進制 00 00000010 10 01101111，對應上圖的 步驟 2

然后 從二進制 00 00000010 10 01101111 的最后一個二進制為開始，按照從后向前的順序依次填入格式中的 x 和 y 字符，多出的二進制補為 0， 對應上圖的 步驟 3、 步驟 4

于是，就計算出了 Unicode 碼 0x10A6F 的 UTF-16 編碼是 11011000 00000010 11011110 01101111 , 轉(zhuǎn)換成十六進制就是 0xD802DE6F， 對應上圖的 步驟 5

UTF-32 編碼

UTF-32 是固定長度的編碼，始終占用 4 個字節(jié)，足以容納所有的 Unicode 字符，所以直接存儲 Unicode 碼即可，不需要任何編碼轉(zhuǎn)換。雖然浪費了空間，但提高了效率。

UTF-8、UTF-16、UTF-32 之間如何轉(zhuǎn)換

前面介紹過，UTF-8、UTF-16、UTF-32 是 Unicode 碼表示成不同的二進制格式的編碼規(guī)則，同樣，通過這三種編碼的二進制表示，也能獲得對應的 Unicode 碼，有了字符的 Unicode 碼，按照上面介紹的 UTF-8、UTF-16、UTF-32 的編碼方法 就能轉(zhuǎn)換成任一種編碼了

UTF 字節(jié)序

最小編碼單元是多字節(jié)才會有字節(jié)序的問題存在，UTF-8 最小編碼單元是一字節(jié)，所以 它是沒有字節(jié)序的問題，UTF-16 最小編碼單元是 2 個字節(jié)，在解析一個 UTF-16 字符之前，需要知道每個編碼單元的字節(jié)序

比如：前面提到過，"中" 字的 Unicode 碼是 4E2D, "?" 字符的 Unicode 碼是 2D4E， 當我們收到一個 UTF-16 字節(jié)流 4E2D 時，計算機如何識別它表示的是字符 "中" 還是 字符 "?" 呢 ?

所以，對于多字節(jié)的編碼單元，需要有一個標記顯式的告訴計算機，按照什么樣的順序解析字符，也就是字節(jié)序，字節(jié)序分為 大端字節(jié)序 和 小端字節(jié)序

小端字節(jié)序簡寫為 LE( Little-Endian ), 表示 低位字節(jié)在前，高位字節(jié)在后, 高位字節(jié)保存在內(nèi)存的高地址端，而低位字節(jié)保存在內(nèi)存的低地址端

大端字節(jié)序簡寫為 BE( Big-Endian ), 表示 高位字節(jié)在前，低位字節(jié)在后，高位字節(jié)保存在內(nèi)存的低地址端，低位字節(jié)保存在在內(nèi)存的高地址端

下面以 0x4E2D 為例來說明大端和小端，具體參見下圖:

數(shù)據(jù)是從高位字節(jié)到低位字節(jié)顯示的，這也更符合人們閱讀數(shù)據(jù)的習慣，而內(nèi)存地址是從低地址向高地址增加

所以，字符0x4E2D 數(shù)據(jù)的高位字節(jié)是 4E，低位字節(jié)是 2D

按照大端字節(jié)序的高位字節(jié)保存內(nèi)存低地址端的規(guī)則，4E 保存到低內(nèi)存地址 0x10001 上，2D 則保存到高內(nèi)存地址 0x10002 上

對于小端字節(jié)序，則正好相反，數(shù)據(jù)的高位字節(jié)保存到內(nèi)存的高地址端，低位字節(jié)保存到內(nèi)存低地址端的，所以 4E 保存到高內(nèi)存地址 0x10002 上，2D 則保存到低內(nèi)存地址 0x10001 上

BOM

BOM 是 byte-order mark 的縮寫，是 "字節(jié)序標記" 的意思, 它常被用來當做標識文件是以 UTF-8、UTF-16 或 UTF-32 編碼的標記

在 Unicode 編碼中有一個叫做 "零寬度非換行空格" 的字符 ( ZERO WIDTH NO-BREAK SPACE ), 用字符 FEFF 來表示

對于 UTF-16 ，如果接收到以 FEFF 開頭的字節(jié)流， 就表明是大端字節(jié)序，如果接收到 FFFE， 就表明字節(jié)流 是小端字節(jié)序

UTF-8 沒有字節(jié)序問題，上述字符只是用來標識它是 UTF-8 文件，而不是用來說明字節(jié)順序的。"零寬度非換行空格" 字符 的 UTF-8 編碼是 EF BB BF, 所以如果接收到以 EF BB BF 開頭的字節(jié)流，就知道這是UTF-8 文件

下面的表格列出了不同 UTF 格式的固定文件頭

UTF編碼	固定文件頭
UTF-8	EF BB BF
UTF-16LE	FF FE
UTF-16BE	FE FF
UTF-32LE	FF FE 00 00
UTF-32BE	00 00 FE FF

根據(jù)上面的 固定文件頭，下面列出了 "中" 字在文件中的存儲 ( 包含文件頭 )

編碼	固定文件頭
Unicode 編碼	0X004E2D
UTF-8	EF BB BF 4E 2D
UTF-16BE	FE FF 4E 2D
UTF-16LE	FF FE 2D 4E
UTF-32BE	00 00 FE FF 00 00 4E 2D
UTF-32LE	FF FE 00 00 2D 4E 00 00

常見的字符編碼的問題

• Redis 中文key的顯示

有時候我們需要向redis中寫入含有中文的數(shù)據(jù)，然后在查看數(shù)據(jù)，但是會看到一些其他的字符，而不是我們寫入的中文

上圖中，我們向redis 寫入了一個 "中" 字，通過 get 命令查看的時候無法顯示我們寫入的 "中" 字

這時候加一個 --raw 參數(shù)，重新啟動 redis-cli 即可，也即 執(zhí)行 redis-cli --raw 命令啟動redis客戶端，具體的如下圖所示

• MySQL 中的 utf8 和 utf8mb4

MySQL 中的 "utf8" 實際上不是真正的 UTF-8， "utf8" 只支持每個字符最多 3 個字節(jié), 對于超過 3 個字節(jié)的字符就會出錯, 而真正的 UTF-8 至少要支持 4 個字節(jié)

MySQL 中的 "utf8mb4" 才是真正的 UTF-8

下面以 test 表為例來說明, 表結構如下:

mysql> show create table test\G 
*************************** 1. row *************************** 
       Table: test 
Create Table: CREATE TABLE `test` ( 
  `name` char(32) NOT NULL 
) ENGINE=InnoDB DEFAULT CHARSET=utf8 
1 row in set (0.00 sec) 

向 test 表分別插入 "中" 字 和 Unicode 碼為 0x10A6F 的字符，這個字符需要從 https://unicode-table.com/cn/10A6F/ 直接復制到 MySQL 控制臺上，手工輸入會無效，具體的執(zhí)行結果如下圖:

從上圖可以看出，插入 "中" 字 成功，插入 0x10A6F 字符失敗，錯誤提示無效的字符串，\xF0\X90\XA9\xAF 正是 0x10A6F 字符的 UTF-8 編碼，占用 4 個字節(jié), 因為 MySQL 的 utf8 編碼最多只支持 3 個字節(jié)，所以插入會失敗

把 test 表的字符集改成 utf8mb4 , 排序規(guī)則 改成 utf8bm4_unicode_ci, 具體如下圖所示：

字符集和排序方式修改之后，再次插入 0x10A6F 字符， 結果是成功的，具體執(zhí)行結果如下圖所示

上圖中，set names utf8mb4 是為了測試方便，臨時修改當前會話的字符集，以便保持和 服務器一致，實際解決這個問題需要修改 my.cnf 配置中 服務器和客戶端的字符集

小結

本文從字符編碼的歷史介紹了 Unicode 出現(xiàn)的原因，接著介紹了 Unicode 字符集中 三種不同的編碼方式：UTF-8、UTF-16、UTF-32 以及它們的的編碼方法，緊接著介紹了 字節(jié)序、BOM ，最后講到了字符集在 MySQL 和 Redis 應用中常見的問題以及解決方案 ，更多關于 Unicode 的介紹請參考 Unicode 的 RFC 文檔