扩展阅读
  • linux/Centos/ubuntu下如何使用umask命令修改新建文件时的默认权限
  • 从window上传到linux文件(覆盖同名文件),为什么文件的访问权限会变,怎么避免?
  • Linux下glibc库文件锁:协同锁(advisory lock)和强制锁(mandatory lock)
  • 要让某文件夹下的文件和文件夹名称竖向排列,有办法没?
  • Linux内存文件系统(ramdisk)的三种实现方式
  • linux中对文件排序的命令(文件夹中包含子文件)
  • FastDFS分布式文件系统介绍和FastDFS的安装配置过程
  • makefile问题,想像vs一样将目标文件,输出文件存放在指定文件夹,而不是在源文件的目录
  • c/c++ assert()函数用法及其头文件
  • 在linux中如何得到一个文件夹及其下面的子文件夹中所有文件大小的总和
  • c++ stl容器vector删除(erase),遍历等基本用法介绍及头文件
  • Linux下怎么查找指定文件大小的文件?如查找100MB以上的文件
  • Ubuntu程序开机自动启动设置(服务和自动运行配置文件)的几种方法
  • 怎么找到帮助文件,或把帮助文件存为文本文件
  • c++断言assert()函数的头文件及其用法详解
  • 请问有将class文件转换为可执行文件(如Windows下的exe文件)的工具吗?
  • CentOS yum 源设置为163的源操作步骤及配置文件参考
  • 如何清空文件夹里面的所有文件和文件夹
  • ubuntu查看系统日志及相关文件介绍
  • linux 的文件系统,删除文件后为什么文件系统的大小不变?
  • linux下find查找文件命令详细介绍及find文件用法举例说明
  • 如何递归删除文件夹下所有制定文件名的文件
  •  
    当前位置:  操作系统>Linux

    文件编码及UTF-8、BOM、0XFEFF相关问题

     
        发布时间:2013-8-31  


        本文导语:  文件编码格式 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...

    文件编码格式

      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”。

    UCS-2编码(16进制) UTF-8 字节流(二进制)
    0000 - 007F 0xxxxxxx
    0080 - 07FF 110xxxxx 10xxxxxx
    0800 - FFFF 1110xxxx 10xxxxxx 10xxxxxx

    编码原理详解

    1、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,另一个丢了王位。我们一般将endian翻译成“字节序”,将big endian和little endian称作“大尾”和“小尾”。

    2、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。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,英文中文可以统一地处理。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Windows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

       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。

    3、Unicode、UCSUTF

       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: //zh.wikipedia.org/wiki/)的记载:历史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(unicode.org)。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-8utf-7utf-8 IETF 的RFC2781和RFC3629以RFC的一贯风格,清晰、明快又不失严谨地描述了utf-8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

    4、ucs-2、ucs-4bmp

      UCS有两种格式:UCS-2和UCS-4。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。

    5、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:

       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:1110xxxx 10xxxxxx 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:11100110 10110001 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-8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-8却要用于实际的传输,所以就不得不考虑字节序的问题。

    6、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-8以两个字节为编码单元,在解释一个utf-8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-8字节流“594E”,那么这是“奎”还是 “乙”?

      Unicode规范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。有些编辑器,比如M$ Windows的记事本,在创建UTF8编码文件时会在头部添加一个不可见字符。这个字符可以通过vim查看到,而且如果是一个php文件,php4php5在解析时均会有输出

    原来这个被称作bom(byte order mark)的不可见字符,是unicode用来标识内部编码的排列方式的,在utf-8、utf-32编码里它是必需的,而在utf-8里是可选的。因 此,才会出现有的编辑器在文件头部添加添加bom、而有的语法解析器又不作处理的的混乱情况。

    根据w3cFAQ的建议,解决方法就是删除.

    UTF-8编码中BOM的检测与删除

       所谓 BOM,全称是Byte Order Mark,它是一个Unicode字符,通常出现在文本的开头,用来标识字节序 (Big/Little Endian),除此以外还可以标识编码(UTF-8/16/32),如果出现在文本中间,则解释为zero width no-break space。

       对于UTF-8/16/32而言,它们名字中的8/16/32指的是编码单位是多少位的,也就是说,它们的编码单位分别是8/16/32位,换算成 字节就是1/2/4字节,如果是多字节,就要牵扯到字节序,UTF-8以单字节为编码单位,所以不存在字节序。

      UTF-8主要的优点是可以兼容ASCII,但如果使用BOM的话,这个好处就荡然无存了,除此以外,BOM的存在还可能引发一些问题,比如下面错 误便都有可能是BOM导致的:

    Shell: ?#!/bin/sh: No such file or directory
    PHP: Warning: Cannot modify header information – headers already sent

    如何检测UTF-8编码中的BOM呢?

    shell> grep -I -r -l $'xEFxBBxBF' /path

    如何删除UTF-8编码中的BOM呢?

    shell> grep -I -r -l $'xEFxBBxBF' /path | xargs sed -i 's/^xEFxBBxBF//;q'

    linux下处理windows utf8文件,发现vim头会多一个<feff>

    一般默认创建的文件都是ANSI编码的。用记事本打开这个文件,点"另存为",最下面有个"编码(Encoding)"可以选择,里面有"ANSI,utf8"等选项。


    • 本站(WWW.)旨在分享和传播互联网科技相关的资讯和技术,将尽最大努力为读者提供更好的信息聚合和浏览方式。
      本站(WWW.)站内文章除注明原创外,均为转载,整理或搜集自网络.欢迎任何形式的转载,转载请注明出处.
      转载请注明:文章转载自:[169IT-IT技术资讯]
      本文标题:文件编码及UTF-8、BOM、0XFEFF相关问题
    相关文章推荐:
  • C++ I/O 成员 eof():如果处于文件结尾处则返回true
  • Shell脚本如何递归现实一个文件夹中的文件(文件夹中含有文件夹)
  • WinDows8最新版文件夹加密
  • 求命令:什么命令可以把文件夹下所有的文件按修改时间先后排出来,包括子文件夹里的文件。
  • sharepoint 2010 使用STSNavigate函数实现文件下载举例
  • [提问]Linux下如何把多个.a文件编译一个.so文件,或者把多个.so文件编译成一个.so文件
  • python异常信息堆栈输出到日志文件
  • 请问:proc中的头文件中能包含头文件吗?(感觉如果头文件中包含头文件的话,在链接时就会有错误啊)
  • Centos6下安装Shell下文件上传下载rz,sz命令
  • 我要实现当进程打开文件时,根据文件名判断是否符合要求,符合后处理文件,再把文件返回给进程,怎么实现啊
  • 在MyEclipse中设开启xml文件自动提示和自动完成功能
  • 有2G和4G的两个大文件,里面全是MD5,2G文件已包含在4G文件中,如何在4G文件中去掉这2G数据?
  • 修改配置真正解决php文件上传大小限制问题(nginx+php)
  • vi 中编辑两个文件,怎样从其中一个文件拷一段内容到另一个文件中。(同时打开两个文件)
  • 修改配置真正解决php文件上传大小限制问题(apache+php)
  • 怎么统计一个文件夹下有多少个文件(不包括文件夹)
  • 使用libpcap读取tcpdump抓取的文件并解析c代码实例
  • 请教高手一个简单问题:给定一个文件名,如何去查找该文件正在被几个程序使用,并怎么样才可以切断这个文件与正在打开该文件的程序之间的
  • 设置sharepoint 2010文档库中的 pdf文件在浏览器中访问的打开方式
  • linux 下的 .a 文件 .o 文件 是什么文件?各有什么作用?
  • windows/windows 7/windows 8 下打开查看、修改及保存超大(GB级)文本文件及其它类型文件的工具-PilotEdit
  • python实现批量转换文件编码(批转换编码示例) iis7站长之家


  • 站内导航:


    特别声明:169IT网站部分信息来自互联网,如果侵犯您的权利,请及时告知,本站将立即删除!

    ©2012-2021,,E-mail:www_#163.com(请将#改为@)

    浙ICP备11055608号-3