手机网站建设电话,设计师常去的网站,河北 石家庄 网站建设,个性化企业网站制作公司快下班时#xff0c;爱问问题的小朋友Nico又问了一个问题#xff1a; sqlserver里面有char和nchar#xff0c;那个n据说是指unicode的数据#xff0c;这个是什么意思。 并不是所有简单的问题都很容易回答#xff0c;就像这个问题一样。于是我答应专门写一篇BL…快下班时爱问问题的小朋友Nico又问了一个问题 sqlserver里面有char和nchar那个n据说是指unicode的数据这个是什么意思。 并不是所有简单的问题都很容易回答就像这个问题一样。于是我答应专门写一篇BLOG来从头讲讲编码的故事。那么就让我们找个草堆坐下先抽口烟看看夜晚天空上的银河然后想一想要从哪里开始讲起。嗯也许这样开始比较好…… 很久很久以前有一群人他们决定用8个可以开合的晶体管来组合成不同的状态以表示世界上的万物。他们看到8个开关状态是好的于是他们把这称为字节。 再后来他们又做了一些可以处理这些字节的机器机器开动了可以用字节来组合出很多状态状态开始变来变去。他们看到这样是好的于是它们就这机器称为计算机。 开始计算机只在美国用。八位的字节一共可以组合出256(2的8次方)种不同的状态。 他们把其中的编号从0开始的32种状态分别规定了特殊的用途一但终端、打印机遇上约定好的这些字节被传过来时就要做一些约定的动作。遇上00x10, 终端就换行遇上0x07, 终端就向人们嘟嘟叫例好遇上0x1b, 打印机就打印反白的字或者终端就用彩色显示字母。他们看到这样很好于是就把这些0x20以下的字节状态称为控制码。他们又把所有的空格、标点符号、数字、大小写字母分别用连续的字节状态表示一直编到了第127号这样计算机就可以用不同字节来存储英语的文字了。大家看到这样都感觉很好于是大家都把这个方案叫做 ANSI 的Ascii编码American Standard Code for Information Interchange美国信息互换标准代码。当时世界上所有的计算机都用同样的ASCII方案来保存英文文字。 后来就像建造巴比伦塔一样世界各地的都开始使用计算机但是很多国家用的不是英文他们的字母里有许多是ASCII里没有的为了可以在计算机保存他们的文字他们决定采用127号之后的空位来表示这些新的字母、符号还加入了很多画表格时需要用下到的横线、竖线、交叉等形状一直把序号编到了最后一个状态255。从128到255这一页的字符集被称扩展字符集。从此之后贪婪的人类再没有新的状态可以用了美帝国主义可能没有想到还有第三世界国家的人们也希望可以用到计算机吧 等中国人们得到计算机时已经没有可以利用的字节状态来表示汉字况且有6000多个常用汉字需要保存呢。但是这难不倒智慧的中国人民我们不客气地把那些127号之后的奇异符号们直接取消掉, 规定一个小于127的字符的意义与原来相同但两个大于127的字符连在一起时就表示一个汉字前面的一个字节他称之为高字节从0xA1用到0xF7后面一个字节低字节从0xA1到0xFE这样我们就可以组合出大约7000多个简体汉字了。在这些编码里我们还把数学符号、罗马希腊的字母、日文的假名们都编进去了连在 ASCII 里本来就有的数字、标点、字母都统统重新编了两个字节长的编码这就是常说的全角字符而原来在127号以下的那些就叫半角字符了。 中国人民看到这样很不错于是就把这种汉字方案叫做 GB2312。GB2312 是对 ASCII 的中文扩展。 但是中国的汉字太多了我们很快就就发现有许多人的人名没有办法在这里打出来特别是某些很会麻烦别人的国家领导人。于是我们不得不继续把 GB2312 没有用到的码位找出来老实不客气地用上。 后来还是不够用于是干脆不再要求低字节一定是127号之后的内码只要第一个字节是大于127就固定表示这是一个汉字的开始不管后面跟的是不是扩展字符集里的内容。结果扩展之后的编码方案被称为 GBK 标准GBK 包括了 GB2312 的所有内容同时又增加了近20000个新的汉字包括繁体字和符号。 后来少数民族也要用电脑了于是我们再扩展又加了几千个新的少数民族的字GBK 扩成了 GB18030。从此之后中华民族的文化就可以在计算机时代中传承了。 中国的程序员们看到这一系列汉字编码的标准是好的于是通称他们叫做 DBCSDouble Byte Charecter Set 双字节字符集。在DBCS系列标准里最大的特点是两字节长的汉字字符和一字节长的英文字符并存于同一套编码方案里因此他们写的程序为了支持中文处理必须要注意字串里的每一个字节的值如果这个值是大于127的那么就认为一个双字节字符集里的字符出现了。那时候凡是受过加持会编程的计算机僧侣们都要每天念下面这个咒语数百遍 一个汉字算两个英文字符一个汉字算两个英文字符…… 因为当时各个国家都像中国这样搞出一套自己的编码标准结果互相之间谁也不懂谁的编码谁也不支持别人的编码连大陆和台湾这样只相隔了150海里使用着同一种语言的兄弟地区也分别采用了不同的 DBCS 编码方案——当时的中国人想让电脑显示汉字就必须装上一个汉字系统专门用来处理汉字的显示、输入的问题但是那个台湾的愚昧封建人士写的算命程序就必须加装另一套支持 BIG5 编码的什么倚天汉字系统才可以用装错了字符系统显示就会乱了套这怎么办而且世界民族之林中还有那些一时用不上电脑的穷苦人民他们的文字又怎么办 真是计算机的巴比伦塔命题啊 正在这时大天使加百列及时出现了——一个叫 ISO 国际标谁化组织的国际组织决定着手解决这个问题。他们采用的方法很简单废了所有的地区性编码方案重新搞一个包括了地球上所有文化、所有字母和符号的编码他们打算叫它Universal Multiple-Octet Coded Character Set简称 UCS, 俗称 UNICODE。 UNICODE 开始制订时计算机的存储器容量极大地发展了空间再也不成为问题了。于是 ISO 就直接规定必须用两个字节也就是16位来统一表示所有的字符对于ascii里的那些“半角”字符UNICODE 包持其原编码不变只是将其长度由原来的8位扩展为16位而其他文化和语言的字符则全部重新统一编码。由于半角英文符号只需要用到低8位所以其高8位永远是0因此这种大气的方案在保存英文文本时会多浪费一倍的空间。 这时候从旧社会里走过来的程序员开始发现一个奇怪的现象他们的strlen函数靠不住了一个汉字不再是相当于两个字符了而是一个是的从 UNICODE 开始无论是半角的英文字母还是全角的汉字它们都是统一的一个字符同时也都是统一的两个字节请注意字符和字节两个术语的不同“字节”是一个8位的物理存贮单元而“字符”则是一个文化相关的符号。在UNICODE 中一个字符就是两个字节。一个汉字算两个英文字符的时代已经快过去了。 从前多种字符集存在时那些做多语言软件的公司遇上过很大麻烦他们为了在不同的国家销售同一套软件就不得不在区域化软件时也加持那个双字节字符集咒语不仅要处处小心不要搞错还要把软件中的文字在不同的字符集中转来转去。UNICODE 对于他们来说是一个很好的一揽子解决方案于是从 Windows NT 开始MS 趁机把它们的操作系统改了一遍把所有的核心代码都改成了用 UNICODE 方式工作的版本从这时开始WINDOWS 系统终于无需要加装各种本土语言系统就可以显示全世界上所有文化的字符了。 但是UNICODE 在制订时没有考虑与任何一种现有的编码方案保持兼容这使得 GBK 与UNICODE 在汉字的内码编排上完全是不一样的没有一种简单的算术方法可以把文本内容从UNICODE编码和另一种编码进行转换这种转换必须通过查表来进行。 如前所述UNICODE 是用两个字节来表示为一个字符他总共可以组合出65535不同的字符这大概已经可以覆盖世界上所有文化的符号。如果还不够也没有关系ISO已经准备了UCS-4方案说简单了就是四个字节来表示一个字符这样我们就可以组合出21亿个不同的字符出来最高位有其他用途这大概可以用到银河联邦成立那一天吧 UNICODE 来到时一起到来的还有计算机网络的兴起UNICODE 如何在网络上传输也是一个必须考虑的问题于是面向传输的众多 UTFUCS Transfer Format标准出现了顾名思义UTF8就是每次8个位传输数据而UTF16就是每次16个位只不过为了传输时的可靠性从UNICODE到UTF时并不是直接的对应而是要过一些算法和规则来转换。 受到过网络编程加持的计算机僧侣们都知道在网络里传递信息时有一个很重要的问题就是对于数据高低位的解读方式一些计算机是采用低位先发送的方法例如我们PC机采用的 INTEL 架构而另一些是采用高位先发送的方式在网络中交换数据时为了核对双方对于高低位的认识是否是一致的采用了一种很简便的方法就是在文本流的开始时向对方发送一个标志符——如果之后的文本是高位在位那就发送FEFF反之则发送FFFE。不信你可以用二进制方式打开一个UTF-X格式的文件看看开头两个字节是不是这两个字节 讲到这里我们再顺便说说一个很著名的奇怪现象当你在 windows 的记事本里新建一个文件输入联通两个字之后保存关闭然后再次打开你会发现这两个字已经消失了代之的是几个乱码呵呵有人说这就是联通之所以拼不过移动的原因。 其实这是因为GB2312编码与UTF8编码产生了编码冲撞的原因。 从网上引来一段从UNICODE到UTF8的转换规则 Unicode UTF-8 0000 - 007F 0xxxxxxx 0080 - 07FF 110xxxxx 10xxxxxx 0800 - FFFF 1110xxxx 10xxxxxx 10xxxxxx 例如汉字的Unicode编码是6C49。6C49在0800-FFFF之间所以要用3字节模板1110xxxx 10xxxxxx 10xxxxxx。将6C49写成二进制是0110 1100 0100 1001将这个比特流按三字节模板的分段方法分为0110 110001 001001依次代替模板中的x得到1110-0110 10-110001 10-001001即E6 B1 89这就是其UTF8的编码。 而当你新建一个文本文件时记事本的编码默认是ANSI, 如果你在ANSI的编码输入汉字那么他实际就是GB系列的编码方式在这种编码下联通的内码是 c1 1100 0001 aa 1010 1010 cd 1100 1101 a8 1010 1000 注意到了吗第一二个字节、第三四个字节的起始部分的都是110和10正好与UTF8规则里的两字节模板是一致的于是再次打开记事本时记事本就误认为这是一个UTF8编码的文件让我们把第一个字节的110和第二个字节的10去掉我们就得到了00001 101010再把各位对齐补上前导的0就得到了0000 0000 0110 1010不好意思这是UNICODE的006A也就是小写的字母j而之后的两字节用UTF8解码之后是0368这个字符什么也不是。这就是只有联通 两个字的文件没有办法在记事本里正常显示的原因。 而如果你在联通之后多输入几个字其他的字的编码不见得又恰好是110和10开始的字节这样再次打开时记事本就不会坚持这是一个utf8编码的文件而会用ANSI的方式解读之这时乱码又不出现了。 好了终于可以回答NICO的问题了在数据库里有n前缀的字串类型就是UNICODE类型这种类型中固定用两个字节来表示一个字符无论这个字符是汉字还是英文字母或是别的什么。 如果你要测试abc汉字这个串的长度在没有n前缀的数据类型里这个字串是7个字符的长度因为一个汉字相当于两个字符。而在有n前缀的数据类型里同样的测试串长度的函数将会告诉你是5个字符因为一个汉字就是一个字符。