當(dāng)前位置：首頁 > 运维知识 > linux >内容正文

linux

windows下的中文文件名共享在linux下显示乱码的问题

發(fā)布時(shí)間：2024/3/7 linux 33 豆豆

生活随笔收集整理的這篇文章主要介紹了 windows下的中文文件名共享在linux下显示乱码的问题小編覺得挺不錯(cuò)的,現(xiàn)在分享給大家,幫大家做個(gè)參考.

1.現(xiàn)象描述在windos環(huán)境下有一個(gè)含有中文的文件名，比如dataset_省調(diào).scd。在linux（虛擬機(jī)）下通過掛載系統(tǒng)將該文件掛載在/mnt/hgfs目錄下，顯示為亂碼。但是通過ftp將文件上傳到linux相應(yīng)目錄下中文顯示正常。
2.原因分析 windows下的文件名編碼方式為GBK。linux（虛擬機(jī)）系統(tǒng)下通過掛載方式共享該文件時(shí)，文件名的中文自動(dòng)自動(dòng)轉(zhuǎn)換為了UTF-8編碼方式，在linux系統(tǒng)下中文編碼設(shè)置為GBK編碼方式，所以顯示為亂碼。
3.驗(yàn)證使用編碼轉(zhuǎn)換工具，將查看“省調(diào)”兩個(gè)字的GBK編碼為CA A1 B5 F7，UTF8編碼為E7 9C 81 E8 B0 83，顯示為”鐪佽皟“。該漢字在linux系1.現(xiàn)象描述在windos環(huán)境下有一個(gè)含有中文的文件名，比如dataset_省調(diào).scd。在linux（虛擬機(jī)）下通過掛載系統(tǒng)將該文件掛載在/mnt/hgfs目錄下，顯示為亂碼。但是通過ftp將文件上傳到linux相應(yīng)目錄下中文顯示正常。
2.原因分析 windows下的文件名編碼方式為GBK。linux（虛擬機(jī)）系統(tǒng)下通過掛載方式共享該文件時(shí)，文件名的中文自動(dòng)自動(dòng)轉(zhuǎn)換為了UTF-8編碼方式，在linux系統(tǒng)下中文編碼設(shè)置為GBK編碼方式，所以顯示為亂碼。
3.驗(yàn)證使用編碼轉(zhuǎn)換工具，將查看“省調(diào)”兩個(gè)字的GBK編碼為CA A1 B5 F7，UTF8編碼為E7 9C 81 E8 B0 83，顯示為”鐪佽皟“。該漢字在linux系統(tǒng)下顯示正好為上述編碼的三個(gè)亂碼漢字。
4.問題解決可以通過FTP或其它一些同步工具將該文件上傳到linux系統(tǒng)下。
5.知識(shí)拓展字符(Character)是文字與符號(hào)的總稱，包括文字、圖形符號(hào)、數(shù)學(xué)符號(hào)等。一組抽象字符的集合就是字符集(Charset)。計(jì)算機(jī)要處理各種字符，就需要將字符和二進(jìn)制內(nèi)碼對(duì)應(yīng)起來，這種對(duì)應(yīng)關(guān)系就是字符編碼(Encoding)。
制定編碼首先要確定字符集，并將字符集內(nèi)的字符排序，然后和二進(jìn)制數(shù)字對(duì)應(yīng)起來。根據(jù)字符集內(nèi)字符的多少，會(huì)確定用幾個(gè)字節(jié)來編碼。
每種編碼都限定了一個(gè)明確的字符集合，叫做被編碼過的字符集(Coded Character Set)，這是字符集的另外一個(gè)含義。通常所說的字符集大多是這個(gè)含義。
常用的字符集有：ASCII、ISO 8859-1、UCS、Unicode、UTF、漢字編碼、ANSI 下面是轉(zhuǎn)的各種編碼方式的詳細(xì)介紹： ASCII:
American Standard Code for Information Interchange，美國信息交換標(biāo)準(zhǔn)碼。
目前計(jì)算機(jī)中用得最廣泛的字符集及其編碼，由美國國家標(biāo)準(zhǔn)局(ANSI)制定。
它已被國際標(biāo)準(zhǔn)化組織(ISO)定為國際標(biāo)準(zhǔn)，稱為ISO 646標(biāo)準(zhǔn)。
ASCII字符集由控制字符和圖形字符組成。
在計(jì)算機(jī)的存儲(chǔ)單元中，一個(gè)ASCII碼值占一個(gè)字節(jié)(8個(gè)二進(jìn)制位)，其最高位(b7)用作奇偶校驗(yàn)位。
所謂奇偶校驗(yàn)，是指在代碼傳送過程中用來檢驗(yàn)是否出現(xiàn)錯(cuò)誤的一種方法，一般分奇校驗(yàn)和偶校驗(yàn)兩種。
奇校驗(yàn)規(guī)定:正確的代碼一個(gè)字節(jié)中1的個(gè)數(shù)必須是奇數(shù)，若非奇數(shù)，則在最高位b7添1。
偶校驗(yàn)規(guī)定:正確的代碼一個(gè)字節(jié)中1的個(gè)數(shù)必須是偶數(shù)，若非偶數(shù)，則在最高位b7添1。

ISO 8859-1:
ISO 8859，全稱ISO/IEC 8859，是國際標(biāo)準(zhǔn)化組織(ISO)及國際電工委員會(huì)(IEC)聯(lián)合制定的一系列8位字符集的標(biāo)準(zhǔn)，現(xiàn)時(shí)定義了15個(gè)字符集。
ASCII收錄了空格及94個(gè)“可印刷字符”，足以給英語使用。
但是，其他使用拉丁字母的語言(主要是歐洲國家的語言)，都有一定數(shù)量的變音字母，故可以使用ASCII及控制字符以外的區(qū)域來儲(chǔ)存及表示。
除了使用拉丁字母的語言外，使用西里爾字母的東歐語言、希臘語、泰語、現(xiàn)代阿拉伯語、希伯來語等，都可以使用這個(gè)形式來儲(chǔ)存及表示。
* ISO 8859-1 (Latin-1) - 西歐語言
* ISO 8859-2 (Latin-2) - 中歐語言
* ISO 8859-3 (Latin-3) - 南歐語言。世界語也可用此字符集顯示。
* ISO 8859-4 (Latin-4) - 北歐語言
* ISO 8859-5 (Cyrillic) - 斯拉夫語言
* ISO 8859-6 (Arabic) - 阿拉伯語
* ISO 8859-7 (Greek) - 希臘語
* ISO 8859-8 (Hebrew) - 希伯來語(視覺順序)
* ISO 8859-8-I - 希伯來語(邏輯順序)
* ISO 8859-9 (Latin-5 或 Turkish) - 它把Latin-1的冰島語字母換走，加入土耳其語字母。
* ISO 8859-10 (Latin-6 或 Nordic) - 北日耳曼語支，用來代替Latin-4。
* ISO 8859-11 (Thai) - 泰語，從泰國的 TIS620 標(biāo)準(zhǔn)字集演化而來。
* ISO 8859-13 (Latin-7 或 Baltic Rim) - 波羅的語族
* ISO 8859-14 (Latin-8 或 Celtic) - 凱爾特語族
* ISO 8859-15 (Latin-9) - 西歐語言，加入Latin-1欠缺的法語及芬蘭語重音字母，以及歐元符號(hào)。
* ISO 8859-16 (Latin-10) - 東南歐語言。主要供羅馬尼亞語使用，并加入歐元符號(hào)。
很明顯，iso8859-1編碼表示的字符范圍很窄，無法表示中文字符。
但是，由于是單字節(jié)編碼，和計(jì)算機(jī)最基礎(chǔ)的表示單位一致，所以很多時(shí)候，仍舊使用iso8859-1編碼來表示。
而且在很多協(xié)議上，默認(rèn)使用該編碼。

UCS:
通用字符集(Universal Character Set，UCS)是由ISO制定的ISO 10646(或稱ISO/IEC 10646)標(biāo)準(zhǔn)所定義的字符編碼方式，采用4字節(jié)編碼。
UCS包含了已知語言的所有字符。
除了拉丁語、希臘語、斯拉夫語、希伯來語、阿拉伯語、亞美尼亞語、格魯吉亞語，還包括中文、日文、韓文這樣的象形文字，UCS還包括大量的圖形、印刷、數(shù)學(xué)、科學(xué)符號(hào)。
* UCS-2: 與unicode的2byte編碼基本一樣。
* UCS-4: 4byte編碼, 目前是在UCS-2前加上2個(gè)全零的byte。

Unicode:
Unicode(統(tǒng)一碼、萬國碼、單一碼)是一種在計(jì)算機(jī)上使用的字符編碼。
它是http://www.unicode.org制定的編碼機(jī)制，要將全世界常用文字都函括進(jìn)去。
它為每種語言中的每個(gè)字符設(shè)定了統(tǒng)一并且唯一的二進(jìn)制編碼，以滿足跨語言、跨平臺(tái)進(jìn)行文本轉(zhuǎn)換、處理的要求。
1990年開始研發(fā)，1994年正式公布。隨著計(jì)算機(jī)工作能力的增強(qiáng)，Unicode也在面世以來的十多年里得到普及。
但自從unicode2.0開始，unicode采用了與ISO 10646-1相同的字庫和字碼，ISO也承諾ISO10646將不會(huì)給超出0x10FFFF的UCS-4編碼賦值，使得兩者保持一致。
Unicode的編碼方式與ISO 10646的通用字符集(Universal Character Set，UCS)概念相對(duì)應(yīng)，目前的用于實(shí)用的Unicode版本對(duì)應(yīng)于UCS-2，使用16位的編碼空間。
也就是每個(gè)字符占用2個(gè)字節(jié)，基本滿足各種語言的使用。實(shí)際上目前版本的Unicode尚未填充滿這16位編碼，保留了大量空間作為特殊使用或?qū)頂U(kuò)展。

UTF:
Unicode 的實(shí)現(xiàn)方式不同于編碼方式。
一個(gè)字符的Unicode編碼是確定的，但是在實(shí)際傳輸過程中，由于不同系統(tǒng)平臺(tái)的設(shè)計(jì)不一定一致，以及出于節(jié)省空間的目的，對(duì)Unicode編碼的實(shí)現(xiàn)方式有所不同。
Unicode的實(shí)現(xiàn)方式稱為Unicode轉(zhuǎn)換格式(Unicode Translation Format，簡(jiǎn)稱為 UTF)。
* UTF-8: 8bit變長(zhǎng)編碼，對(duì)于大多數(shù)常用字符集(ASCII中0~127字符)它只使用單字節(jié)，而對(duì)其它常用字符(特別是朝鮮和漢語會(huì)意文字)，它使用3字節(jié)。
* UTF-16: 16bit編碼，是變長(zhǎng)碼，大致相當(dāng)于20位編碼，值在0到0x10FFFF之間，基本上就是unicode編碼的實(shí)現(xiàn)，與CPU字序有關(guān)。

漢字編碼:
* GB2312字集是簡(jiǎn)體字集，全稱為GB2312(80)字集，共包括國標(biāo)簡(jiǎn)體漢字6763個(gè)。
* BIG5字集是臺(tái)灣繁體字集，共包括國標(biāo)繁體漢字13053個(gè)。
* GBK字集是簡(jiǎn)繁字集，包括了GB字集、BIG5字集和一些符號(hào)，共包括21003個(gè)字符。
* GB18030是國家制定的一個(gè)強(qiáng)制性大字集標(biāo)準(zhǔn)，全稱為GB18030-2000，它的推出使?jié)h字集有了一個(gè)“大一統(tǒng)”的標(biāo)準(zhǔn)。

ANSI和Unicode big endia:
我們?cè)赪indows系統(tǒng)中保存文本文件時(shí)通常可以選擇編碼為ANSI、Unicode、Unicode big endian和UTF-8，這里的ANSI和Unicode big endia是什么編碼呢?
ANSI:
使用2個(gè)字節(jié)來代表一個(gè)字符的各種漢字延伸編碼方式，稱為ANSI編碼。
在簡(jiǎn)體中文系統(tǒng)下，ANSI編碼代表GB2312編碼，在日文操作系統(tǒng)下，ANSI編碼代表JIS編碼。
Unicode big endia:
UTF-8以字節(jié)為編碼單元，沒有字節(jié)序的問題。UTF-16以兩個(gè)字節(jié)為編碼單元，在解釋一個(gè)UTF-16文本前，首先要弄清楚每個(gè)編碼單元的字節(jié)序。
Unicode規(guī)范中推薦的標(biāo)記字節(jié)順序的方法是BOM(即Byte Order Mark)。
在UCS編碼中有一個(gè)叫做"ZERO WIDTH NO-BREAK SPACE"的字符，它的編碼是FEFF。而FFFE在UCS中是不存在的字符，所以不應(yīng)該出現(xiàn)在實(shí)際傳輸中。
UCS規(guī)范建議我們?cè)趥鬏斪止?jié)流前，先傳輸字符"ZERO WIDTH NO-BREAK SPACE"。
這樣如果接收者收到FEFF，就表明這個(gè)字節(jié)流是Big-Endian的；如果收到FFFE，就表明這個(gè)字節(jié)流是Little-Endian的。
因此字符"ZERO WIDTH NO-BREAK SPACE"又被稱作BOM。
Windows就是使用BOM來標(biāo)記文本文件的編碼方式的。
編程語言與編碼
C、C++、Python2內(nèi)部字符串都是使用當(dāng)前系統(tǒng)默認(rèn)編碼
Python3、Java內(nèi)部字符串用Unicode保存
Ruby有一個(gè)內(nèi)部變量$KCODE用來表示可識(shí)別的多字節(jié)字符串的編碼，變量值為"EUC" "SJIS" "UTF8" "NONE"之一。
$KCODE的值為"EUC"時(shí)，將假定字符串或正則表達(dá)式的編碼為EUC-JP。
同樣地，若為"SJIS"時(shí)則認(rèn)定為Shift JIS。若為"UTF8"時(shí)則認(rèn)定為UTF-8。
若為"NONE"時(shí)，將不會(huì)識(shí)別多字節(jié)字符串。
在向該變量賦值時(shí)，只有第1個(gè)字節(jié)起作用，且不區(qū)分大小寫字母。
"e" "E" 代表 "EUC"，"s" "S" 代表 "SJIS"，"u" "U" 代表 "UTF8"，而"n" "N" 則代表 "NONE"。
默認(rèn)值為"NONE"。
即默認(rèn)情況下Ruby把字符串當(dāng)成單字節(jié)序列來處理。

為什么會(huì)亂碼?

亂碼是個(gè)老問題，從上面我們知道，字符在保存時(shí)的編碼格式如果和要顯示的編碼格式不一樣的話，就會(huì)出現(xiàn)亂碼問題。
我們的Web系統(tǒng)，從底層數(shù)據(jù)庫編碼、Web應(yīng)用程序編碼到HTML頁面編碼，如果有一項(xiàng)不一致的話，就會(huì)出現(xiàn)亂碼。
所以，解決亂碼問題說難也難說簡(jiǎn)單也簡(jiǎn)單，關(guān)鍵是讓交互系統(tǒng)之間編碼一致。

有沒有萬金油?

在如此多種編碼和字符集弄的我們眼花繚亂的情況下，我們只需選擇一種兼容性最好的編碼方式和字符集，讓它成為我們程序子系統(tǒng)之間
交互的編碼契約，那么從此惱人的亂碼問題即將遠(yuǎn)離我們而去 -- 這種兼容性最好的編碼就是UTF-8!
畢竟GBK/GB2312是國內(nèi)的標(biāo)準(zhǔn)，當(dāng)我們大量使用國外的開源軟件時(shí)，UTF-8才是編碼界最通用的語言。
下面還有一篇關(guān)于編碼的文章，轉(zhuǎn)自http://kb.cnblogs.com/a/1540382/

這是一篇程序員寫給程序員的趣味讀物。所謂趣味是指可以比較輕松地了解一些原來不清楚的概念，

增進(jìn)知識(shí)，類似于打RPG游戲的升級(jí)。整理這篇文章的動(dòng)機(jī)是兩個(gè)問題：

問題一：

使用Windows記事本的“另存為”，可以在GBK、Unicode、Unicode big endian和UTF-8這幾種

編碼方式間相互轉(zhuǎn)換。同樣是txt文件，Windows是怎樣識(shí)別編碼方式的呢？

我很早前就發(fā)現(xiàn)Unicode、Unicode bigendian和UTF-8編碼的txt文件的開頭會(huì)多出幾個(gè)字節(jié)，

分別是FF、FE（Unicode）,FE、FF（Unicode bigendian）,EF、BB、BF（UTF-8）。但這些

標(biāo)記是基于什么標(biāo)準(zhǔn)呢？

問題二：

最近在網(wǎng)上看到一個(gè)ConvertUTF.c，實(shí)現(xiàn)了UTF-32、UTF-16和UTF-8這三種編碼方式的相互轉(zhuǎn)換。

對(duì)于Unicode(UCS2)、GBK、UTF-8這些編碼方式，我原來就了解。但這個(gè)程序讓我有些糊涂，想不

起來UTF-16和UCS2有什么關(guān)系。查了查相關(guān)資料，總算將這些問題弄清楚了，順帶也了解了一些

Unicode的細(xì)節(jié)。寫成一篇文章，送給有過類似疑問的朋友。本文在寫作時(shí)盡量做到通俗易懂，但要

求讀者知道什么是字節(jié)，什么是十六進(jìn)制。

0、big endian和little endian

bigendian和littleendian是CPU處理多字節(jié)數(shù)的不同方式。例如“漢”字的Unicode編碼是6C49。

那么寫到文件里時(shí)，究竟是將6C寫在前面，還是將49寫在前面？如果將6C寫在前面，就是big endian。

如果將49寫在前面，就是little endian。

“endian”這個(gè)詞出自《格列佛游記》。小人國的內(nèi)戰(zhàn)就源于吃雞蛋時(shí)是究竟從大頭(Big-Endian)

敲開還是從小頭(Little-Endian)敲開，由此曾發(fā)生過六次叛亂，一個(gè)皇帝送了命，另一個(gè)丟了王位。

我們一般將endian翻譯成“字節(jié)序”，將big endian和little endian稱作“大尾”和“小尾”。

1、字符編碼、內(nèi)碼，順帶介紹漢字編碼

字符必須編碼后才能被計(jì)算機(jī)處理。計(jì)算機(jī)使用的缺省編碼方式就是計(jì)算機(jī)的內(nèi)碼。早期的計(jì)算機(jī)使用

7位的ASCII編碼，為了處理漢字，程序員設(shè)計(jì)了用于簡(jiǎn)體中文的GB2312和用于繁體中文的big5。

GB2312(1980年)一共收錄了7445個(gè)字符，包括6763個(gè)漢字和682個(gè)其它符號(hào)。漢字區(qū)的內(nèi)碼范圍高

字節(jié)從B0-F7，低字節(jié)從A1-FE，占用的碼位是72*94=6768。其中有5個(gè)空位是D7FA-D7FE。

GB2312支持的漢字太少。1995年的漢字?jǐn)U展規(guī)范GBK1.0收錄了21886個(gè)符號(hào)，它分為漢字區(qū)和圖形符

號(hào)區(qū)。漢字區(qū)包括21003個(gè)字符。

從ASCII、GB2312到GBK，這些編碼方法是向下兼容的，即同一個(gè)字符在這些方案中總是有相同的編碼，

后面的標(biāo)準(zhǔn)支持更多的字符。在這些編碼中，英文和中文可以統(tǒng)一地處理。區(qū)分中文編碼的方法是高字

節(jié)的最高位不為0。按照程序員的稱呼，GB2312、GBK都屬于雙字節(jié)字符集 (DBCS)。

2000年的GB18030是取代GBK1.0的正式國家標(biāo)準(zhǔn)。該標(biāo)準(zhǔn)收錄了27484個(gè)漢字，同時(shí)還收錄了藏文、

蒙文、維吾爾文等主要的少數(shù)民族文字。從漢字字匯上說，GB18030在GB13000.1的20902個(gè)漢字的

基礎(chǔ)上增加了CJK擴(kuò)展A的6582個(gè)漢字（Unicode碼0x3400-0x4db5），一共收錄了27484個(gè)漢字。

CJK就是中日韓的意思。Unicode為了節(jié)省碼位，將中日韓三國語言中的文字統(tǒng)一編碼。GB13000.1

就是ISO/IEC 10646-1的中文版，相當(dāng)于Unicode 1.1。

GB18030的編碼采用單字節(jié)、雙字節(jié)和4字節(jié)方案。其中單字節(jié)、雙字節(jié)和GBK是完全兼容的。4字節(jié)

編碼的碼位就是收錄了CJK擴(kuò)展A的6582個(gè)漢字。例如：UCS的0x3400在GB18030中的編碼應(yīng)該是

8139EF30，UCS的0x3401在GB18030中的編碼應(yīng)該是8139EF31。

微軟提供了GB18030的升級(jí)包，但這個(gè)升級(jí)包只是提供了一套支持CJK擴(kuò)展A的6582個(gè)漢字的新字體：

新宋體-18030，并不改變內(nèi)碼。Windows 的內(nèi)碼仍然是GBK。

這里還有一些細(xì)節(jié)：

GB2312的原文還是區(qū)位碼，從區(qū)位碼到內(nèi)碼，需要在高字節(jié)和低字節(jié)上分別加上A0。

對(duì)于任何字符編碼，編碼單元的順序是由編碼方案指定的，與endian無關(guān)。例如GBK的編碼單元是字

節(jié)，用兩個(gè)字節(jié)表示一個(gè)漢字。這兩個(gè)字節(jié)的順序是固定的，不受CPU字節(jié)序的影響。UTF-16的編碼

單元是word（雙字節(jié)），word之間的順序是編碼方案指定的，word內(nèi)部的字節(jié)排列才會(huì)受到endian

的影響。后面還會(huì)介紹UTF-16。

GB2312的兩個(gè)字節(jié)的最高位都是1。但符合這個(gè)條件的碼位只有128*128=16384個(gè)。所以GBK和

GB18030的低字節(jié)最高位都可能不是1。不過這不影響DBCS字符流的解析：在讀取DBCS字符流時(shí)，

只要遇到高位為1的字節(jié)，就可以將下兩個(gè)字節(jié)作為一個(gè)雙字節(jié)編碼，而不用管低字節(jié)的高位是什么。

2、Unicode、UCS和UTF

前面提到從ASCII、GB2312、GBK到GB18030的編碼方法是向下兼容的。而Unicode只與ASCII兼

容（更準(zhǔn)確地說，是與ISO-8859-1兼容），與GB碼不兼容。例如“漢”字的Unicode編碼是6C49，

而GB碼是BABA。

Unicode也是一種字符編碼方法，不過它是由國際組織設(shè)計(jì)，可以容納全世界所有語言文字的編碼

方案。Unicode的學(xué)名是"UniversalMultiple-Octet Coded Character Set"，簡(jiǎn)稱為UCS。

UCS可以看作是"Unicode CharacterSet"的縮寫。

根據(jù)維基百科全書(http://zh.wikipedia.org/wiki/)的記載：歷史上存在兩個(gè)試圖獨(dú)立設(shè)計(jì)

Unicode的組織，即國際標(biāo)準(zhǔn)化組織（ISO）和一個(gè)軟件制造商的協(xié)會(huì)（unicode.org）。ISO開

發(fā)了ISO10646項(xiàng)目，Unicode協(xié)會(huì)開發(fā)了Unicode項(xiàng)目。

在1991年前后，雙方都認(rèn)識(shí)到世界不需要兩個(gè)不兼容的字符集。于是它們開始合并雙方的工作成果，

并為創(chuàng)立一個(gè)單一編碼表而協(xié)同工作。從Unicode2.0開始，Unicode項(xiàng)目采用了與ISO 10646-1

相同的字庫和字碼。

目前兩個(gè)項(xiàng)目仍都存在，并獨(dú)立地公布各自的標(biāo)準(zhǔn)。Unicode協(xié)會(huì)現(xiàn)在的最新版本是2005年的Unicode

4.1.0。ISO的最新標(biāo)準(zhǔn)是ISO 10646-3:2003。

UCS只是規(guī)定如何編碼，并沒有規(guī)定如何傳輸、保存這個(gè)編碼。例如“漢”字的UCS編碼是6C49，我可

以用4個(gè)ascii數(shù)字來傳輸、保存這個(gè)編碼；也可以用utf-8編碼:3個(gè)連續(xù)的字節(jié)E6 B1 89來表示它。

關(guān)鍵在于通信雙方都要認(rèn)可。UTF-8、UTF-7、UTF-16都是被廣泛接受的方案。UTF-8的一個(gè)特別的

好處是它與ISO-8859-1完全兼容。UTF是“UCS Transformation Format”的縮寫。

IETF的RFC2781和RFC3629以RFC的一貫風(fēng)格，清晰、明快又不失嚴(yán)謹(jǐn)?shù)孛枋隽薝TF-16和UTF-8的

編碼方法。我總是記不得IETF是InternetEngineering Task Force的縮寫。但I(xiàn)ETF負(fù)責(zé)維護(hù)

的RFC是Internet上一切規(guī)范的基礎(chǔ)。

2.1、內(nèi)碼和code page

目前Windows的內(nèi)核已經(jīng)支持Unicode字符集，這樣在內(nèi)核上可以支持全世界所有的語言文字。但是

由于現(xiàn)有的大量程序和文檔都采用了某種特定語言的編碼，例如GBK，Windows不可能不支持現(xiàn)有的

編碼，而全部改用Unicode。

Windows使用代碼頁(code page)來適應(yīng)各個(gè)國家和地區(qū)。code page可以被理解為前面提到的內(nèi)碼。

GBK對(duì)應(yīng)的code page是CP936。

微軟也為GB18030定義了code page：CP54936。但是由于GB18030有一部分4字節(jié)編碼，而Windows

的代碼頁只支持單字節(jié)和雙字節(jié)編碼，所以這個(gè)code page是無法真正使用的。

3、UCS-2、UCS-4、BMP

UCS有兩種格式：UCS-2和UCS-4。顧名思義，UCS-2就是用兩個(gè)字節(jié)編碼，UCS-4就是用4個(gè)字節(jié)

（實(shí)際上只用了31位，最高位必須為0）編碼。下面讓我們做一些簡(jiǎn)單的數(shù)學(xué)游戲：

UCS-2有2^16=65536個(gè)碼位，UCS-4有2^31=2147483648個(gè)碼位。

UCS-4根據(jù)最高位為0的最高字節(jié)分成2^7=128個(gè)group。每個(gè)group再根據(jù)次高字節(jié)分為256個(gè)plane。

每個(gè)plane根據(jù)第3個(gè)字節(jié)分為256行 (rows)，每行包含256個(gè)cells。當(dāng)然同一行的cells只是最后

一個(gè)字節(jié)不同，其余都相同。

group 0的plane 0被稱作Basic Multilingual Plane, 即BMP。或者說UCS-4中，高兩個(gè)字節(jié)

為0的碼位被稱作BMP。

將UCS-4的BMP去掉前面的兩個(gè)零字節(jié)就得到了UCS-2。在UCS-2的兩個(gè)字節(jié)前加上兩個(gè)零字節(jié)，就得

到了UCS-4的BMP。而目前的UCS-4規(guī)范中還沒有任何字符被分配在BMP之外。

4、UTF編碼

UTF-8就是以8位為單元對(duì)UCS進(jìn)行編碼。從UCS-2到UTF-8的編碼方式如下：

UCS-2編碼(16進(jìn)制) UTF-8 字節(jié)流(二進(jìn)制)

0000 - 007F 0xxxxxxx

0080 - 07FF 110xxxxx 10xxxxxx

0800 - FFFF 1110xxxx 10xxxxxx 10xxxxxx

例如“漢”字的Unicode編碼是6C49。6C49在0800-FFFF之間，所以肯定要用3字節(jié)模板了：

1110xxxx 10xxxxxx 10xxxxxx。將6C49寫成二進(jìn)制是：0110 110001 001001，用這個(gè)比特流

依次代替模板中的x，得到：1110011010110001 10001001，即E6 B1 89。

讀者可以用記事本測(cè)試一下我們的編碼是否正確。需要注意，UltraEdit在打開utf-8編碼的文本文

件時(shí)會(huì)自動(dòng)轉(zhuǎn)換為UTF-16，可能產(chǎn)生混淆。你可以在設(shè)置中關(guān)掉這個(gè)選項(xiàng)。更好的工具是Hex Workshop。

UTF-16以16位為單元對(duì)UCS進(jìn)行編碼。對(duì)于小于0x10000的UCS碼，UTF-16編碼就等于UCS碼對(duì)應(yīng)

的16位無符號(hào)整數(shù)。對(duì)于不小于0x10000的UCS碼，定義了一個(gè)算法。不過由于實(shí)際使用的UCS2，

或者UCS4的BMP必然小于0x10000，所以就目前而言，可以認(rèn)為UTF-16和UCS-2基本相同。但UCS-2

只是一個(gè)編碼方案，UTF-16卻要用于實(shí)際的傳輸，所以就不得不考慮字節(jié)序的問題。

5、UTF的字節(jié)序和BOM

UTF-8以字節(jié)為編碼單元，沒有字節(jié)序的問題。UTF-16以兩個(gè)字節(jié)為編碼單元，在解釋一個(gè)UTF-16

文本前，首先要弄清楚每個(gè)編碼單元的字節(jié)序。例如“奎”的Unicode編碼是594E，“乙”的Unicode

編碼是4E59。如果我們收到UTF-16字節(jié)流“594E”，那么這是“奎”還是“乙”？

Unicode規(guī)范中推薦的標(biāo)記字節(jié)順序的方法是BOM。BOM不是“Bill Of Material”的BOM表，而是

Byte Order Mark。BOM是一個(gè)有點(diǎn)小聰明的想法：

在UCS編碼中有一個(gè)叫做"ZERO WIDTH NO-BREAKSPACE"的字符，它的編碼是FEFF。而FFFE在UCS

中是不存在的字符，所以不應(yīng)該出現(xiàn)在實(shí)際傳輸中。UCS規(guī)范建議我們?cè)趥鬏斪止?jié)流前，先傳輸字符

"ZERO WIDTH NO-BREAK SPACE"。

這樣如果接收者收到FEFF，就表明這個(gè)字節(jié)流是Big-Endian的；如果收到FFFE，就表明這個(gè)字節(jié)流

是Little-Endian的。因此字符"ZERO WIDTH NO-BREAK SPACE"又被稱作BOM。

UTF-8不需要BOM來表明字節(jié)順序，但可以用BOM來表明編碼方式。字符"ZERO WIDTH NO-BREAK SPACE"

的UTF-8編碼是EFBB BF（讀者可以用我們前面介紹的編碼方法驗(yàn)證一下）。所以如果接收者收到以

EF BB BF開頭的字節(jié)流，就知道這是UTF-8編碼了。

Windows就是使用BOM來標(biāo)記文本文件的編碼方式的。

6、進(jìn)一步的參考資料

本文主要參考的資料是 "Short overview of ISO-IEC 10646 and Unicode"

(http://www.nada.kth.se/i18n/ucs/unicode-iso10646-oview.html)。

我還找了兩篇看上去不錯(cuò)的資料，不過因?yàn)槲议_始的疑問都找到了答案，所以就沒有看：

"Understanding
Unicode A general introduction to the Unicode Standard"
(http://scrīpts.sil.org/cms/scrīpts/page.php?site_id=nrsi&item_id=IWS-Chapter04a)

"Character set encoding basics Understanding character set
encodings and legacy encodings"
(http://scrīpts.sil.org/cms/scrīpts/page.php?site_id=nrsi&item_id=IWS-Chapter03)

我寫過UTF-8、UCS-2、GBK相互轉(zhuǎn)換的軟件包，包括使用Windows API和不使用Windows API的

版本。以后有時(shí)間的話，我會(huì)整理一下放到我的個(gè)人主頁上(http://fmddlmyy.home4u.china.com)。

我是想清楚所有問題后才開始寫這篇文章的，原以為一會(huì)兒就能寫好。沒想到考慮措辭和查證細(xì)節(jié)花

費(fèi)了很長(zhǎng)時(shí)間，竟然從下午1:30寫到9:00。希望有讀者能從中受益。

附錄1 再說說區(qū)位碼、GB2312、內(nèi)碼和代碼頁

有的朋友對(duì)文章中這句話還有疑問：

“GB2312的原文還是區(qū)位碼，從區(qū)位碼到內(nèi)碼，需要在高字節(jié)和低字節(jié)上分別加上A0。”

我再詳細(xì)解釋一下：

“GB2312的原文”是指國家1980年的一個(gè)標(biāo)準(zhǔn)《中華人民共和國國家標(biāo)準(zhǔn) 信息交換用漢字編碼字符集

基本集 GB2312-80》。這個(gè)標(biāo)準(zhǔn)用兩個(gè)數(shù)來編碼漢字和中文符號(hào)。第一個(gè)數(shù)稱為“區(qū)”，第二個(gè)數(shù)稱為

“位”。所以也稱為區(qū)位碼。1-9區(qū)是中文符號(hào)，16-55區(qū)是一級(jí)漢字，56-87區(qū)是二級(jí)漢字。現(xiàn)在Windows

也還有區(qū)位輸入法，例如輸入1601得到“啊”。（這個(gè)區(qū)位輸入法可以自動(dòng)識(shí)別16進(jìn)制的GB2312和10

進(jìn)制的區(qū)位碼，也就是說輸入B0A1同樣會(huì)得到“啊”。）

內(nèi)碼是指操作系統(tǒng)內(nèi)部的字符編碼。早期操作系統(tǒng)的內(nèi)碼是與語言相關(guān)的。現(xiàn)在的Windows在系統(tǒng)內(nèi)

部支持Unicode，然后用代碼頁適應(yīng)各種語言，“內(nèi)碼”的概念就比較模糊了。微軟一般將缺省代碼頁

指定的編碼說成是內(nèi)碼。

內(nèi)碼這個(gè)詞匯，并沒有什么官方的定義，代碼頁也只是微軟這個(gè)公司的叫法。作為程序員，我們只要

知道它們是什么東西，沒有必要過多地考證這些名詞。

所謂代碼頁(code page)就是針對(duì)一種語言文字的字符編碼。例如GBK的code page是CP936，BIG5

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

Windows中有缺省代碼頁的概念，即缺省用什么編碼來解釋字符。例如Windows的記事本打開了一個(gè)

文本文件，里面的內(nèi)容是字節(jié)流：BA、BA、D7、D6。Windows應(yīng)該去怎么解釋它呢？

是按照Unicode編碼解釋、還是按照GBK解釋、還是按照BIG5解釋，還是按照ISO8859-1去解釋？如

果按GBK去解釋，就會(huì)得到“漢字”兩個(gè)字。按照其它編碼解釋，可能找不到對(duì)應(yīng)的字符，也可能找到錯(cuò)

誤的字符。所謂“錯(cuò)誤”是指與文本作者的本意不符，這時(shí)就產(chǎn)生了亂碼。

答案是Windows按照當(dāng)前的缺省代碼頁去解釋文本文件里的字節(jié)流。缺省代碼頁可以通過控制面板的

區(qū)域選項(xiàng)設(shè)置。記事本的另存為中有一項(xiàng)ANSI，其實(shí)就是按照缺省代碼頁的編碼方法保存。

Windows的內(nèi)碼是Unicode，它在技術(shù)上可以同時(shí)支持多個(gè)代碼頁。只要文件能說明自己使用什么編

碼，用戶又安裝了對(duì)應(yīng)的代碼頁，Windows就能正確顯示，例如在HTML文件中就可以指定charset。

有的HTML文件作者，特別是英文作者，認(rèn)為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之間的字符，中文Windows又按照缺省的GBK去解釋，就會(huì)出現(xiàn)亂碼。這時(shí)

只要在這個(gè)html文件中加上指定charset的語句，例如：

如果原作者使用的代碼頁和ISO8859-1兼容，就不會(huì)出現(xiàn)亂碼了。

再說區(qū)位碼，啊的區(qū)位碼是1601，寫成16進(jìn)制是0x10,0x01。這和計(jì)算機(jī)廣泛使用的ASCII編碼沖突。

為了兼容00-7f的ASCII編碼，我們?cè)趨^(qū)位碼的高、低字節(jié)上分別加上A0。這樣“啊”的編碼就成為B0A1。

我們將加過兩個(gè)A0的編碼也稱為GB2312編碼，雖然GB2312的原文根本沒提到這一點(diǎn)。

統(tǒng)下顯示正好為上述編碼的三個(gè)亂碼漢字。
4.問題解決可以通過FTP或其它一些同步工具將該文件上傳到linux系統(tǒng)下。
5.知識(shí)拓展字符(Character)是文字與符號(hào)的總稱，包括文字、圖形符號(hào)、數(shù)學(xué)符號(hào)等。一組抽象字符的集合就是字符集(Charset)。計(jì)算機(jī)要處理各種字符，就需要將字符和二進(jìn)制內(nèi)碼對(duì)應(yīng)起來，這種對(duì)應(yīng)關(guān)系就是字符編碼(Encoding)。
制定編碼首先要確定字符集，并將字符集內(nèi)的字符排序，然后和二進(jìn)制數(shù)字對(duì)應(yīng)起來。根據(jù)字符集內(nèi)字符的多少，會(huì)確定用幾個(gè)字節(jié)來編碼。
每種編碼都限定了一個(gè)明確的字符集合，叫做被編碼過的字符集(Coded Character Set)，這是字符集的另外一個(gè)含義。通常所說的字符集大多是這個(gè)含義。
常用的字符集有：ASCII、ISO 8859-1、UCS、Unicode、UTF、漢字編碼、ANSI 下面是轉(zhuǎn)的各種編碼方式的詳細(xì)介紹： ASCII:
American Standard Code for Information Interchange，美國信息交換標(biāo)準(zhǔn)碼。
目前計(jì)算機(jī)中用得最廣泛的字符集及其編碼，由美國國家標(biāo)準(zhǔn)局(ANSI)制定。
它已被國際標(biāo)準(zhǔn)化組織(ISO)定為國際標(biāo)準(zhǔn)，稱為ISO 646標(biāo)準(zhǔn)。
ASCII字符集由控制字符和圖形字符組成。
在計(jì)算機(jī)的存儲(chǔ)單元中，一個(gè)ASCII碼值占一個(gè)字節(jié)(8個(gè)二進(jìn)制位)，其最高位(b7)用作奇偶校驗(yàn)位。
所謂奇偶校驗(yàn)，是指在代碼傳送過程中用來檢驗(yàn)是否出現(xiàn)錯(cuò)誤的一種方法，一般分奇校驗(yàn)和偶校驗(yàn)兩種。
奇校驗(yàn)規(guī)定:正確的代碼一個(gè)字節(jié)中1的個(gè)數(shù)必須是奇數(shù)，若非奇數(shù)，則在最高位b7添1。
偶校驗(yàn)規(guī)定:正確的代碼一個(gè)字節(jié)中1的個(gè)數(shù)必須是偶數(shù)，若非偶數(shù)，則在最高位b7添1。

ISO 8859-1:
ISO 8859，全稱ISO/IEC 8859，是國際標(biāo)準(zhǔn)化組織(ISO)及國際電工委員會(huì)(IEC)聯(lián)合制定的一系列8位字符集的標(biāo)準(zhǔn)，現(xiàn)時(shí)定義了15個(gè)字符集。
ASCII收錄了空格及94個(gè)“可印刷字符”，足以給英語使用。
但是，其他使用拉丁字母的語言(主要是歐洲國家的語言)，都有一定數(shù)量的變音字母，故可以使用ASCII及控制字符以外的區(qū)域來儲(chǔ)存及表示。
除了使用拉丁字母的語言外，使用西里爾字母的東歐語言、希臘語、泰語、現(xiàn)代阿拉伯語、希伯來語等，都可以使用這個(gè)形式來儲(chǔ)存及表示。
* ISO 8859-1 (Latin-1) - 西歐語言
* ISO 8859-2 (Latin-2) - 中歐語言
* ISO 8859-3 (Latin-3) - 南歐語言。世界語也可用此字符集顯示。
* ISO 8859-4 (Latin-4) - 北歐語言
* ISO 8859-5 (Cyrillic) - 斯拉夫語言
* ISO 8859-6 (Arabic) - 阿拉伯語
* ISO 8859-7 (Greek) - 希臘語
* ISO 8859-8 (Hebrew) - 希伯來語(視覺順序)
* ISO 8859-8-I - 希伯來語(邏輯順序)
* ISO 8859-9 (Latin-5 或 Turkish) - 它把Latin-1的冰島語字母換走，加入土耳其語字母。
* ISO 8859-10 (Latin-6 或 Nordic) - 北日耳曼語支，用來代替Latin-4。
* ISO 8859-11 (Thai) - 泰語，從泰國的 TIS620 標(biāo)準(zhǔn)字集演化而來。
* ISO 8859-13 (Latin-7 或 Baltic Rim) - 波羅的語族
* ISO 8859-14 (Latin-8 或 Celtic) - 凱爾特語族
* ISO 8859-15 (Latin-9) - 西歐語言，加入Latin-1欠缺的法語及芬蘭語重音字母，以及歐元符號(hào)。
* ISO 8859-16 (Latin-10) - 東南歐語言。主要供羅馬尼亞語使用，并加入歐元符號(hào)。
很明顯，iso8859-1編碼表示的字符范圍很窄，無法表示中文字符。
但是，由于是單字節(jié)編碼，和計(jì)算機(jī)最基礎(chǔ)的表示單位一致，所以很多時(shí)候，仍舊使用iso8859-1編碼來表示。
而且在很多協(xié)議上，默認(rèn)使用該編碼。

UCS:
通用字符集(Universal Character Set，UCS)是由ISO制定的ISO 10646(或稱ISO/IEC 10646)標(biāo)準(zhǔn)所定義的字符編碼方式，采用4字節(jié)編碼。
UCS包含了已知語言的所有字符。
除了拉丁語、希臘語、斯拉夫語、希伯來語、阿拉伯語、亞美尼亞語、格魯吉亞語，還包括中文、日文、韓文這樣的象形文字，UCS還包括大量的圖形、印刷、數(shù)學(xué)、科學(xué)符號(hào)。
* UCS-2: 與unicode的2byte編碼基本一樣。
* UCS-4: 4byte編碼, 目前是在UCS-2前加上2個(gè)全零的byte。

Unicode:
Unicode(統(tǒng)一碼、萬國碼、單一碼)是一種在計(jì)算機(jī)上使用的字符編碼。
它是http://www.unicode.org制定的編碼機(jī)制，要將全世界常用文字都函括進(jìn)去。
它為每種語言中的每個(gè)字符設(shè)定了統(tǒng)一并且唯一的二進(jìn)制編碼，以滿足跨語言、跨平臺(tái)進(jìn)行文本轉(zhuǎn)換、處理的要求。
1990年開始研發(fā)，1994年正式公布。隨著計(jì)算機(jī)工作能力的增強(qiáng)，Unicode也在面世以來的十多年里得到普及。
但自從unicode2.0開始，unicode采用了與ISO 10646-1相同的字庫和字碼，ISO也承諾ISO10646將不會(huì)給超出0x10FFFF的UCS-4編碼賦值，使得兩者保持一致。
Unicode的編碼方式與ISO 10646的通用字符集(Universal Character Set，UCS)概念相對(duì)應(yīng)，目前的用于實(shí)用的Unicode版本對(duì)應(yīng)于UCS-2，使用16位的編碼空間。
也就是每個(gè)字符占用2個(gè)字節(jié)，基本滿足各種語言的使用。實(shí)際上目前版本的Unicode尚未填充滿這16位編碼，保留了大量空間作為特殊使用或?qū)頂U(kuò)展。

UTF:
Unicode 的實(shí)現(xiàn)方式不同于編碼方式。
一個(gè)字符的Unicode編碼是確定的，但是在實(shí)際傳輸過程中，由于不同系統(tǒng)平臺(tái)的設(shè)計(jì)不一定一致，以及出于節(jié)省空間的目的，對(duì)Unicode編碼的實(shí)現(xiàn)方式有所不同。
Unicode的實(shí)現(xiàn)方式稱為Unicode轉(zhuǎn)換格式(Unicode Translation Format，簡(jiǎn)稱為 UTF)。
* UTF-8: 8bit變長(zhǎng)編碼，對(duì)于大多數(shù)常用字符集(ASCII中0~127字符)它只使用單字節(jié)，而對(duì)其它常用字符(特別是朝鮮和漢語會(huì)意文字)，它使用3字節(jié)。
* UTF-16: 16bit編碼，是變長(zhǎng)碼，大致相當(dāng)于20位編碼，值在0到0x10FFFF之間，基本上就是unicode編碼的實(shí)現(xiàn)，與CPU字序有關(guān)。

漢字編碼:
* GB2312字集是簡(jiǎn)體字集，全稱為GB2312(80)字集，共包括國標(biāo)簡(jiǎn)體漢字6763個(gè)。
* BIG5字集是臺(tái)灣繁體字集，共包括國標(biāo)繁體漢字13053個(gè)。
* GBK字集是簡(jiǎn)繁字集，包括了GB字集、BIG5字集和一些符號(hào)，共包括21003個(gè)字符。
* GB18030是國家制定的一個(gè)強(qiáng)制性大字集標(biāo)準(zhǔn)，全稱為GB18030-2000，它的推出使?jié)h字集有了一個(gè)“大一統(tǒng)”的標(biāo)準(zhǔn)。

ANSI和Unicode big endia:
我們?cè)赪indows系統(tǒng)中保存文本文件時(shí)通常可以選擇編碼為ANSI、Unicode、Unicode big endian和UTF-8，這里的ANSI和Unicode big endia是什么編碼呢?
ANSI:
使用2個(gè)字節(jié)來代表一個(gè)字符的各種漢字延伸編碼方式，稱為ANSI編碼。
在簡(jiǎn)體中文系統(tǒng)下，ANSI編碼代表GB2312編碼，在日文操作系統(tǒng)下，ANSI編碼代表JIS編碼。
Unicode big endia:
UTF-8以字節(jié)為編碼單元，沒有字節(jié)序的問題。UTF-16以兩個(gè)字節(jié)為編碼單元，在解釋一個(gè)UTF-16文本前，首先要弄清楚每個(gè)編碼單元的字節(jié)序。
Unicode規(guī)范中推薦的標(biāo)記字節(jié)順序的方法是BOM(即Byte Order Mark)。
在UCS編碼中有一個(gè)叫做"ZERO WIDTH NO-BREAK SPACE"的字符，它的編碼是FEFF。而FFFE在UCS中是不存在的字符，所以不應(yīng)該出現(xiàn)在實(shí)際傳輸中。
UCS規(guī)范建議我們?cè)趥鬏斪止?jié)流前，先傳輸字符"ZERO WIDTH NO-BREAK SPACE"。
這樣如果接收者收到FEFF，就表明這個(gè)字節(jié)流是Big-Endian的；如果收到FFFE，就表明這個(gè)字節(jié)流是Little-Endian的。
因此字符"ZERO WIDTH NO-BREAK SPACE"又被稱作BOM。
Windows就是使用BOM來標(biāo)記文本文件的編碼方式的。
編程語言與編碼
C、C++、Python2內(nèi)部字符串都是使用當(dāng)前系統(tǒng)默認(rèn)編碼
Python3、Java內(nèi)部字符串用Unicode保存
Ruby有一個(gè)內(nèi)部變量$KCODE用來表示可識(shí)別的多字節(jié)字符串的編碼，變量值為"EUC" "SJIS" "UTF8" "NONE"之一。
$KCODE的值為"EUC"時(shí)，將假定字符串或正則表達(dá)式的編碼為EUC-JP。
同樣地，若為"SJIS"時(shí)則認(rèn)定為Shift JIS。若為"UTF8"時(shí)則認(rèn)定為UTF-8。
若為"NONE"時(shí)，將不會(huì)識(shí)別多字節(jié)字符串。
在向該變量賦值時(shí)，只有第1個(gè)字節(jié)起作用，且不區(qū)分大小寫字母。
"e" "E" 代表 "EUC"，"s" "S" 代表 "SJIS"，"u" "U" 代表 "UTF8"，而"n" "N" 則代表 "NONE"。
默認(rèn)值為"NONE"。
即默認(rèn)情況下Ruby把字符串當(dāng)成單字節(jié)序列來處理。

為什么會(huì)亂碼?

亂碼是個(gè)老問題，從上面我們知道，字符在保存時(shí)的編碼格式如果和要顯示的編碼格式不一樣的話，就會(huì)出現(xiàn)亂碼問題。
我們的Web系統(tǒng)，從底層數(shù)據(jù)庫編碼、Web應(yīng)用程序編碼到HTML頁面編碼，如果有一項(xiàng)不一致的話，就會(huì)出現(xiàn)亂碼。
所以，解決亂碼問題說難也難說簡(jiǎn)單也簡(jiǎn)單，關(guān)鍵是讓交互系統(tǒng)之間編碼一致。

有沒有萬金油?

在如此多種編碼和字符集弄的我們眼花繚亂的情況下，我們只需選擇一種兼容性最好的編碼方式和字符集，讓它成為我們程序子系統(tǒng)之間
交互的編碼契約，那么從此惱人的亂碼問題即將遠(yuǎn)離我們而去 -- 這種兼容性最好的編碼就是UTF-8!
畢竟GBK/GB2312是國內(nèi)的標(biāo)準(zhǔn)，當(dāng)我們大量使用國外的開源軟件時(shí)，UTF-8才是編碼界最通用的語言。
下面還有一篇關(guān)于編碼的文章，轉(zhuǎn)自http://kb.cnblogs.com/a/1540382/