十分鐘搞清字符集和字符編碼

本文將簡(jiǎn)述字符集，字符編碼的概念。以及在遭遇亂碼時(shí)的一些常用診斷技巧。

背景：字符集和編碼無疑是IT菜鳥甚至是各種大神的頭痛問題。當(dāng)遇到紛繁復(fù)雜的字符集，各種火星文和亂碼時(shí)，問題的定位往往變得非常困難。本文就將會(huì)從原理方面對(duì)字符集和編碼做個(gè)簡(jiǎn)單的科普介紹，同時(shí)也會(huì)介紹一些通用的亂碼故障定位的方法以方便讀者以后能夠更從容的定位相關(guān)問題。在正式介紹之前，先做個(gè)小申明：如果你希望非常精確的理解各個(gè)名詞的解釋，那么可以查閱wikipedia。本文是博主通過自己理解消化后并轉(zhuǎn)化成易懂淺顯的表述后的介紹。

什么是字符集

在介紹字符集之前，我們先了解下為什么要有字符集。我們?cè)谟?jì)算機(jī)屏幕上看到的是實(shí)體化的文字，而在計(jì)算機(jī)存儲(chǔ)介質(zhì)中存放的實(shí)際是二進(jìn)制的比特流。那么在這兩者之間的轉(zhuǎn)換規(guī)則就需要一個(gè)統(tǒng)一的標(biāo)準(zhǔn)，否則把我們的U盤插到老板的電腦上，文檔就亂碼了；小伙伴QQ上傳過來的文件，在我們本地打開又亂碼了。于是為了實(shí)現(xiàn)轉(zhuǎn)換標(biāo)準(zhǔn)，各種字符集標(biāo)準(zhǔn)就出現(xiàn)了。簡(jiǎn)單的說字符集就規(guī)定了某個(gè)文字對(duì)應(yīng)的二進(jìn)制數(shù)字存放方式（編碼）和某串二進(jìn)制數(shù)值代表了哪個(gè)文字（解碼）的轉(zhuǎn)換關(guān)系。

那么為什么會(huì)有那么多字符集標(biāo)準(zhǔn)呢？這個(gè)問題實(shí)際非常容易回答。問問自己為什么我們的插頭拿到英國(guó)就不能用了呢？為什么顯示器同時(shí)有DVI，VGA，HDMI，DP這么多接口呢？很多規(guī)范和標(biāo)準(zhǔn)在最初制定時(shí)并不會(huì)意識(shí)到這將會(huì)是以后全球普適的準(zhǔn)則，或者處于組織本身利益就想從本質(zhì)上區(qū)別于現(xiàn)有標(biāo)準(zhǔn)。于是，就產(chǎn)生了那么多具有相同效果但又不相互兼容的標(biāo)準(zhǔn)了。

說了那么多我們來看一個(gè)實(shí)際例子，下面就是屌這個(gè)字在各種編碼下的十六進(jìn)制和二進(jìn)制編碼結(jié)果，怎么樣有沒有一種很屌的感覺？

什么是字符編碼

字符集只是一個(gè)規(guī)則集合的名字，對(duì)應(yīng)到真實(shí)生活中，字符集就是對(duì)某種語(yǔ)言的稱呼。例如：英語(yǔ)，漢語(yǔ)，日語(yǔ)。對(duì)于一個(gè)字符集來說要正確編碼轉(zhuǎn)碼一個(gè)字符需要三個(gè)關(guān)鍵元素：字庫(kù)表（character repertoire）、編碼字符集（coded character set）、字符編碼（character encoding form）。其中字庫(kù)表是一個(gè)相當(dāng)于所有可讀或者可顯示字符的數(shù)據(jù)庫(kù)，字庫(kù)表決定了整個(gè)字符集能夠展現(xiàn)表示的所有字符的范圍。編碼字符集，即用一個(gè)編碼值code point來表示一個(gè)字符在字庫(kù)中的位置。字符編碼，將編碼字符集和實(shí)際存儲(chǔ)數(shù)值之間的轉(zhuǎn)換關(guān)系。一般來說都會(huì)直接將code point的值作為編碼后的值直接存儲(chǔ)。例如在ASCII中A在表中排第65位，而編碼后A的數(shù)值是0100 0001也即十進(jìn)制的65的二進(jìn)制轉(zhuǎn)換結(jié)果。

看到這里，可能很多讀者都會(huì)有和我當(dāng)初一樣的疑問：字庫(kù)表和編碼字符集看來是必不可少的，那既然字庫(kù)表中的每一個(gè)字符都有一個(gè)自己的序號(hào)，直接把序號(hào)作為存儲(chǔ)內(nèi)容就好了。為什么還要多此一舉通過字符編碼把序號(hào)轉(zhuǎn)換成另外一種存儲(chǔ)格式呢？其實(shí)原因也比較容易理解：統(tǒng)一字庫(kù)表的目的是為了能夠涵蓋世界上所有的字符，但實(shí)際使用過程中會(huì)發(fā)現(xiàn)真正用的上的字符相對(duì)整個(gè)字庫(kù)表來說比例非常低。例如中文地區(qū)的程序幾乎不會(huì)需要日語(yǔ)字符，而一些英語(yǔ)國(guó)家甚至簡(jiǎn)單的ASCII字庫(kù)表就能滿足基本需求。而如果把每個(gè)字符都用字庫(kù)表中的序號(hào)來存儲(chǔ)的話，每個(gè)字符就需要3個(gè)字節(jié)（這里以Unicode字庫(kù)為例），這樣對(duì)于原本用僅占一個(gè)字符的ASCII編碼的英語(yǔ)地區(qū)國(guó)家顯然是一個(gè)額外成本（存儲(chǔ)體積是原來的三倍）。算的直接一些，同樣一塊硬盤，用ASCII可以存1500篇文章，而用3字節(jié)Unicode序號(hào)存儲(chǔ)只能存500篇。于是就出現(xiàn)了UTF-8這樣的變長(zhǎng)編碼。在UTF-8編碼中原本只需要一個(gè)字節(jié)的ASCII字符，仍然只占一個(gè)字節(jié)。而像中文及日語(yǔ)這樣的復(fù)雜字符就需要2個(gè)到3個(gè)字節(jié)來存儲(chǔ)。

UTF-8和Unicode的關(guān)系

看完上面兩個(gè)概念解釋，那么解釋UTF-8和Unicode的關(guān)系就比較簡(jiǎn)單了。Unicode就是上文中提到的編碼字符集，而UTF-8就是字符編碼，即Unicode規(guī)則字庫(kù)的一種實(shí)現(xiàn)形式。隨著互聯(lián)網(wǎng)的發(fā)展，對(duì)同一字庫(kù)集的要求越來越迫切，Unicode標(biāo)準(zhǔn)也就自然而然的出現(xiàn)。它幾乎涵蓋了各個(gè)國(guó)家語(yǔ)言可能出現(xiàn)的符號(hào)和文字，并將為他們編號(hào)。詳見：Unicode on Wikipedia。Unicode的編號(hào)從0000開始一直到10FFFF共分為16個(gè)Plane，每個(gè)Plane中有65536個(gè)字符。而UTF-8則只實(shí)現(xiàn)了第一個(gè)Plane，可見UTF-8雖然是一個(gè)當(dāng)今接受度最廣的字符集編碼，但是它并沒有涵蓋整個(gè)Unicode的字庫(kù)，這也造成了它在某些場(chǎng)景下對(duì)于特殊字符的處理困難（下文會(huì)有提到）。

UTF-8編碼簡(jiǎn)介

為了更好的理解后面的實(shí)際應(yīng)用，我們這里簡(jiǎn)單的介紹下UTF-8的編碼實(shí)現(xiàn)方法。即UTF-8的物理存儲(chǔ)和Unicode序號(hào)的轉(zhuǎn)換關(guān)系。

UTF-8編碼為變長(zhǎng)編碼。最小編碼單位（code unit）為一個(gè)字節(jié)。一個(gè)字節(jié)的前1-3個(gè)bit為描述性部分，后面為實(shí)際序號(hào)部分。

• 如果一個(gè)字節(jié)的第一位為0，那么代表當(dāng)前字符為單字節(jié)字符，占用一個(gè)字節(jié)的空間。0之后的所有部分（7個(gè)bit）代表在Unicode中的序號(hào)。
• 如果一個(gè)字節(jié)以110開頭，那么代表當(dāng)前字符為雙字節(jié)字符，占用2個(gè)字節(jié)的空間。110之后的所有部分（7個(gè)bit）代表在Unicode中的序號(hào)。且第二個(gè)字節(jié)以10開頭
• 如果一個(gè)字節(jié)以1110開頭，那么代表當(dāng)前字符為三字節(jié)字符，占用2個(gè)字節(jié)的空間。110之后的所有部分（7個(gè)bit）代表在Unicode中的序號(hào)。且第二、第三個(gè)字節(jié)以10開頭
• 如果一個(gè)字節(jié)以10開頭，那么代表當(dāng)前字節(jié)為多字節(jié)字符的第二個(gè)字節(jié)。10之后的所有部分（6個(gè)bit）代表在Unicode中的序號(hào)。

具體每個(gè)字節(jié)的特征可見下表，其中x代表序號(hào)部分，把各個(gè)字節(jié)中的所有x部分拼接在一起就組成了在Unicode字庫(kù)中的序號(hào)

我們分別看三個(gè)從一個(gè)字節(jié)到三個(gè)字節(jié)的UTF-8編碼例子：

細(xì)心的讀者不難從以上的簡(jiǎn)單介紹中得出以下規(guī)律：

• 3個(gè)字節(jié)的UTF-8十六進(jìn)制編碼一定是以E開頭的
• 2個(gè)字節(jié)的UTF-8十六進(jìn)制編碼一定是以C或D開頭的
• 1個(gè)字節(jié)的UTF-8十六進(jìn)制編碼一定是以比8小的數(shù)字開頭的

為什么會(huì)出現(xiàn)亂碼

先科普下亂碼的英文native說法是mojibake

簡(jiǎn)單的說亂碼的出現(xiàn)是因?yàn)椋壕幋a和解碼時(shí)用了不同或者不兼容的字符集。對(duì)應(yīng)到真實(shí)生活中，就好比是一個(gè)英國(guó)人為了表示祝福在紙上寫了bless（編碼過程）。而一個(gè)法國(guó)人拿到了這張紙，由于在法語(yǔ)中bless表示受傷的意思，所以認(rèn)為他想表達(dá)的是受傷（解碼過程）。這個(gè)就是一個(gè)現(xiàn)實(shí)生活中的亂碼情況。在計(jì)算機(jī)科學(xué)中一樣，一個(gè)用UTF-8編碼后的字符，用GBK去解碼。由于兩個(gè)字符集的字庫(kù)表不一樣，同一個(gè)漢字在兩個(gè)字符表的位置也不同，最終就會(huì)出現(xiàn)亂碼。

我們來看一個(gè)例子：假設(shè)我們用UTF-8編碼存儲(chǔ)很屌兩個(gè)字，會(huì)有如下轉(zhuǎn)換：

于是我們得到了E5BE88E5B18C這么一串?dāng)?shù)值。而顯示時(shí)我們用GBK解碼進(jìn)行展示，通過查表我們獲得以下信息：

解碼后我們就得到了寰堝睂這么一個(gè)錯(cuò)誤的結(jié)果，更要命的是連字符個(gè)數(shù)都變了。

如何識(shí)別亂碼的本來想要表達(dá)的文字

要從亂碼字符中反解出原來的正確文字需要對(duì)各個(gè)字符集編碼規(guī)則有較為深刻的掌握。但是原理很簡(jiǎn)單，這里用最常見的UTF-8被錯(cuò)誤用GBK展示時(shí)的亂碼為例，來說明具體反解和識(shí)別過程。

第1步 編碼

假設(shè)我們?cè)陧?yè)面上看到寰堝睂這樣的亂碼，而又得知我們的瀏覽器當(dāng)前使用GBK編碼。那么第一步我們就能先通過GBK把亂碼編碼成二進(jìn)制表達(dá)式。當(dāng)然查表編碼效率很低，我們也可以用以下SQL語(yǔ)句直接通過MySQL客戶端來做編碼工作：

mysql [localhost] {msandbox} > select hex(convert(‘寰堝睂‘ using gbk));
+-------------------------------------+
| hex(convert(‘寰堝睂‘ using gbk))    |
+-------------------------------------+
| E5BE88E5B18C                        |
+-------------------------------------+
1 row in set (0.01 sec)

第2步 識(shí)別

現(xiàn)在我們得到了解碼后的二進(jìn)制字符串E5BE88E5B18C。然后我們將它按字節(jié)拆開。

然后套用之前UTF-8編碼介紹章節(jié)中總結(jié)出的規(guī)律，就不難發(fā)現(xiàn)這6個(gè)字節(jié)的數(shù)據(jù)符合UTF-8編碼規(guī)則。如果整個(gè)數(shù)據(jù)流都符合這個(gè)規(guī)則的話，我們就能大膽假設(shè)亂碼之前的編碼字符集是UTF-8

第3步 解碼

然后我們就能拿著E5BE88E5B18C用UTF-8解碼，查看亂碼前的文字了。當(dāng)然我們可以不查表直接通過SQL獲得結(jié)果：

mysql [localhost] {msandbox} ((none)) > select convert(0xE5BE88E5B18C using utf8);
+------------------------------------+
| convert(0xE5BE88E5B18C using utf8) |
+------------------------------------+
| 很屌                               |
+------------------------------------+
1 row in set (0.00 sec)

常見問題處理之Emoji

所謂Emoji就是一種在Unicode位于u1F601-u1F64F區(qū)段的字符。這個(gè)顯然超過了目前常用的UTF-8字符集的編碼范圍u0000-uFFFF。Emoji表情隨著IOS的普及和微信的支持越來越常見。下面就是幾個(gè)常見的Emoji:

那么Emoji字符表情會(huì)對(duì)我們平時(shí)的開發(fā)運(yùn)維帶來什么影響呢？最常見的問題就在于將他存入MySQL數(shù)據(jù)庫(kù)的時(shí)候。一般來說MySQL數(shù)據(jù)庫(kù)的默認(rèn)字符集都會(huì)配置成UTF-8（三字節(jié)），而utf8mb4在5.5以后才被支持，也很少會(huì)有DBA主動(dòng)將系統(tǒng)默認(rèn)字符集改成utf8mb4。那么問題就來了，當(dāng)我們把一個(gè)需要4字節(jié)UTF-8編碼才能表示的字符存入數(shù)據(jù)庫(kù)的時(shí)候就會(huì)報(bào)錯(cuò)：ERROR 1366: Incorrect string value: ‘xF0x9Dx8Cx86‘ for column 。 如果認(rèn)真閱讀了上面的解釋，那么這個(gè)報(bào)錯(cuò)也就不難看懂了。我們?cè)噲D將一串Bytes插入到一列中，而這串Bytes的第一個(gè)字節(jié)是xF0意味著這是一個(gè)四字節(jié)的UTF-8編碼。但是當(dāng)MySQL表和列字符集配置為UTF-8的時(shí)候是無法存儲(chǔ)這樣的字符的，所以報(bào)了錯(cuò)。

那么遇到這種情況我們?nèi)绾谓鉀Q呢？有兩種方式：升級(jí)MySQL到5.6或更高版本，并且將表字符集切換至utf8mb4。第二種方法就是在把內(nèi)容存入到數(shù)據(jù)庫(kù)之前做一次過濾，將Emoji字符替換成一段特殊的文字編碼，然后再存入數(shù)據(jù)庫(kù)中。之后從數(shù)據(jù)庫(kù)獲取或者前端展示時(shí)再將這段特殊文字編碼轉(zhuǎn)換成Emoji顯示。第二種方法我們假設(shè)用-*-1F601-*-來替代4字節(jié)的Emoji，那么具體實(shí)現(xiàn)python代碼可以參見Stackoverflow上的回答

reference

• 如何配置Python默認(rèn)字符集
• 字符編碼筆記：ASCII，Unicode和UTF-8
• Unicode中文編碼表
• Emoji Unicode Table
• Every Developer Should Know About The Encoding