龙空技术网

Go语言字符集编码方案间转换

寒笛过霜天 70

前言:

当前大家对“linux设置编码格式为gb18030”可能比较关切,同学们都想要知道一些“linux设置编码格式为gb18030”的相关文章。那么小编同时在网络上网罗了一些有关“linux设置编码格式为gb18030””的相关文章,希望咱们能喜欢,姐妹们一起来学习一下吧!

1. 字符与字符集

计算机字符是我们在平时编码过程中最常见的元素。在最初接触计算机或者接受计算机教育的时候, 我们被告知:计算机能识别的只有 010101...010 的二进制数据。

人类与计算机的早期交互方式也是用的二进制方式; 当时人们或通过扳动计算机庞大的面板上无数的开关来向计算机输入 (二进制) 信息, 或使用打孔卡片来向计算机输入 (二进制) 指令和数据。

为了提高与计算机交互 (指令与数据的输入输出) 的效率, 计算机工程师发明了汇编语言、高级语言, 人们与计算机之间的操作界面不再是面板开关或读卡器, 而是由终端与键盘组成的新人机操作界面。在使用这些中、高级语言编写程序时,程序员直接操作的也不再是二进制数据,而是由计算机编码表示的人类自然语言符号的字符 (Character)。当向计算机输入指令或数据时,翻译程序会将 字符翻译为计算机能识别的二进制数据;当从计算机读取数据时,字符驱动程序会将二进制数据翻译为字符并显示在终端上。

那么在计算机中是如何表示这些字符的呢? 计算机中数据存储和传输都使用的是比特位 (bit), 因此字符也是用计算机中的比特位来表示的。

接下来的问题就是究竟用多少个比特位来表示一个字符呢? 这其实就变成一个确定编码空间的问题了。

要确定编码空间, 我们就要知道在计算机中要使用的字符的总数是多少, 而所有这些字符组成的集合就被称为 (计算机) 字符集。

显然,不同国家地域、行业等使用的字符和字符总数会有不同, 就会存在多种字符集, 比如:

汉语中所有字符的集合构成汉语字符集;

英语中所有字符的集合构成英语字符集;

拉丁语中所有字符的集合构成拉丁语字符集;

日语中所有字符的集合构成日语字符集。

由于要编码 (encode) 的字符集不同(字符不同,字符总数也不同), 这样不同国家在设计满足自己的字符集的编码时所采用的编码空间和编码方式也都各不相同。

比如:当年美国人在做字符集编码设计时将字符集的编码空间设定为:所有能用到的有现实意义的字符不超过 256 个。当时美国人也只用到了 128 个, 预留 128 个备用,

而要表示这 256 个字符的字符集, 用 8 个比特位就可以了, 这就是举世闻名的美国标准信息交换代码 (American Standard Code for Information Interchange, ASCII 码)。

而这 8 比特恰与计算机中的基本存储数据单元 - 字节的比特位个数相同, 这样一个字节就恰可以表示 ASCII 字符集中的一个字符。

ASCII码

计算机字符集中的每个字符都有两个属性:码点 (code point) 和表示这个码点的内存编码 (位模式, 表示这个字符码点的二进制比特串)。

所谓码点 (这里借用了 Unicode 字符集中码点的概念)是指将字符集中所有字符 "排成一队", 字符在队伍中的唯一序号值称为其在该字符集中的码点。

我们以 ASCII字符集中的字符为例, 见下表:

码点(十进制) 字符 含义 内存编码表示 (位模式,二进制)

0 (不可见) 空字符 0000 0000

… … … …

65 A 字母A 0100 0001

66 B 字母B 0100 0010

67 C 字母C 0100 0011

… … … …

127 (不可见) DEL 1111 1111

我们看到:ASCII 字符集中每个字符的码点与其内存编码表示是一致的, 例如:ASCII 字符 A 在上面 ASCII 码表的码点 (序号) 为 65, 其内存编码值也为 0100 0001(即十进制的 65)。

但是对于非英语国家, 如中日韩等亚洲国家来说, ASCII 字符集是远远不能满足这些国家的需要的。

我中华文明渊远流传五千年, 这五千年来积淀下来的文明怎是 ASCII 字符集这 128 个字符所能表达的。我们也要制订自己的计算机字符集。同样日本、韩国也都是这么做的。

这样一来, 世界范围内就多了诸如 GB18030、BIG5、SHIFT_JIS 等在某个国家或地区使用的本地化字符集编码标准。

每个国家和地区都使用自己的字符集标准, 如果仅限于国家和地区内部传播和使用, 这当然是没有问题的。

但当互联网飞速发展促进了全球化的交流后, 数据开始在全球各个国家地区存储、传输交换和展示。

当某一使用繁体汉字 BIG5 字符集标准的网友使用其浏览器浏览位于中国上海的一家使用简体汉字 GB18030字符集存储和传输数据的网站服务时, 乱码问题便出现了!

如果该网站某篇科普文章中包含 "地球" 两个简体汉字, 该网站在存储和传输这两个汉字时使用的是 GB18030 字符集编码, 其位模式分别为 "0xB5D8" 和 "0xC7F2"。

当这四个字节的数据被传输并加载到一台使用 BIG5 字符集标准的浏览器中时, 浏览器会根据 BIG5 字符集编码标准将 "0xB5D8" 和 "0xC7F2" 这两个位模式翻译为 "華" 和 "⑩",

这样这篇文章的语义就会被完全破坏掉了。

我们看到:"乱码" 的主要原因是字符集不兼容, 即一个内存编码表示 (位模式) 在不同的字符集中对应的是不同的字符。

这种不兼容的情况在一段时间内长期存在, 导致因字符集导致的传输、处理、呈现、存储等问题时常发生, 严重掣肘了不同国家地区人们的交流与信息交换。

2. Unicode 字符集的诞生与 UTF-8 编码方案

直到 Unicode (万国码 / 统一码) 在 1994 年发布, 人类才终于有了以收纳人类所有字符为目的的统一字符集。

Unicode 是 Universal Multiple-Octet Coded Character Set 的缩写, 其中文含义是 "通用多字节编码字符集"。\它是由一个名为 Unicode 学会 (Unicode Consortium) 的机构制定的字符集系统。

Unicode 字符集致力于为世界现存的每种语言中的每个字符分配一个统一并且唯一的字符编号, 以满足跨语言、跨平台进行文本数据交换、处理、存储和显示的需求,

使世界范围人们可以毫无障碍地通过计算机进行沟通。更直白地说,Unicode 字符集就是将世界上存在的绝大多数常用字符进行统一排队和编号。

下面是 Unicode 字符集码点表的示意图:

Unicode码点表

序号 字符

U+0000 ... ...

U+4E2D 中

U+4EBA 人

U+56FD 国

U+10FFFF ... ...

我们看到这个表中有两列:序号和字符。其中序号就是为全世界所有国家的所有语言文字的符号分配的一个唯一编号。

序号的范围从 0x000000 到 0x10FFFF, 一共可以容纳 110 多万个字符, 这个序号也被称为 Unicode 码点 (code point)。

第二列的字符就称为 "Unicode 字符"。考虑到与目前使用最多的也是最基础的 ASCII 字符集的码点兼容性, Unicode 的前 128 个码点与 ASCII 字符码点是一一对应的:

现在 Unicode 字符集的码点表有了, 我们还需知道每个码点在计算机中的内存编码表示 (位模式)。

我们知道 ASCII 字符集的内存编码表示 (位模式) 使用的是和其字符码点相同的数值, 那么 Unicode 采用的是什么内存编码表示方案呢? 答案是方案不唯一。目前较为常用的有三种:

UTF-16

该方案使用 2 个字节或 4 个字节表示每个 Unicode 字符码点。它的优点是编解码简单, 因为所有字符都用偶数个字节表示。

但不足也很明显, 比如:存在字节序问题、不兼容 ASCII 字符内存表示以及空间效率不高等。

UTF-32

该方案固定使用 4 个字节表示每个 Unicode 字符码点。它的优点也是编解码简单,因为所有字符都用 4 个字节表示。

但不足也和 UTF-16 一样明显, 同样存在字节序问题、不兼容 ASCII 字符内存表示以及空间效率最差等。

UTF-8

和上面两种方案不同,UTF-8 使用变长度字节对 Unicode 字符 (的码点) 进行编码。

编码采用的字节数量与 Unicode 字符在码点表中的序号有关:表示序号 (码点) 小的字符使用的字节数量就少,表示序号 (码点) 大的字符使用的字节数量就多。

UTF-8 编码使用的字节数量从 1 个到 4 个不等。前 128 个与 ASCII 字符重合的码点 (U+0000~U+007F) 使用 1 个字节表示;带变音符号的拉丁文、希腊文、西里尔字母、阿拉伯文等使用 2 个字节来表示;而东亚文字(包括汉字) 使用 3 个字节表示;其他极少使用的语言的字符则使用 4 个字节表示。

这样的编码方案是兼容 ASCII 字符内存表示的, 这意味着采用 UTF-8 方案在内存中表示 Unicode 字符时, 已有的 ASCII 字符可以被直接当成 Unicode 字符进行存储和传输, 无需做任何改变;

此外, UTF-8 的编码单元为一个字节(也就是一次编解码一个字节), 所以在处理 UTF-8 方案表示的 Unicode 字符的时候就不需要像 UTF-16 和 UTF-32 那样考虑字节序问题了;

相对于 UTF-16 和 UTF-32 方案,UTF-8 方案的空间利用率也是最高的。

下面我们直观地看一下使用上述三种编码方案对 Unicode 字符 A 的编码结果:(LE:Little Endian (小端字节序), BE:Big Endian (大端字节序))

Unicode字符:A

Unicode码点(码点表中的序号):0x000041

UTF-8编码:0x41

UTF-16BE编码:0xFEFF0041

UTF-16LE编码:0xFFFE4100

UTF-32BE编码:0x0000FEFF00000041

UTF-32LE编码:0xFFFE000041000000

我们看到由于 UTF-16 和 UTF-32 编码方案存在字节序问题, 因此上面针对每个方案各自给出两个结果。

以 UTF-16 的小端字节序 (LE) 结果 0xFEFF0041 为例, 这个编码结果由四个字节组成, 其中的前两个字节为 0xFEFF, 这个特定位模式是字节序标记 (Byte Order Mark, BOM)。

Unicode 规范中对字节序标记 (BOM) 的约定如下:

FF FE UTF-16 小端字节序(LE)

FE FF UTF-16 大端字节序(BE)

FF FE 00 00 UTF-32 小端字节序(LE)

00 00 FE FF UTF-32 大端字节序(BE)

EF BB BF UTF-8

如果没有提供字节序标记, 则默认采用大端字节序解码。另外我们注意到 Unicode 规范为 UTF-8 也准备了一个字节序标记 EF BB BF, 但由于 UTF-8 没有字节序问题,

因此这个 BOM 只是用于表明该数据流采用的是 UTF-8 编码方案, 算是一个编码方案类型标记了。

由于 UTF-8 编码方案的诸多优点, 经过多年发展, UTF-8 已经成为 Unicode 字符在计算机中内存编码表示 (位模式) 方案的事实标准, Go 语言也顺应这一趋势,

其源码文件的字符编码采用的也是 UTF-8 编码。

3. 字符编码方案间的转换

日常编码中, 我们经常涉及在不同字符集的字符编码方案间进行转换, 以满足字符在不同的字符编码环境下的解析、处理、呈现和存储的需求。

这里我们以 UTF-8 字符编码环境与 GB18030 字符编码环境为例, 看看如何使用 Go 实现这两个字符编码环境下的字符编码的转换。

GB18030, 全称是 "信息技术中文编码字符集", 是中华人民共和国国家标准所规定的变长多字节字符集, 是我国计算机系统必须遵循的基础性标准之一。

该字符集采用变长多字节编码, 每个字符可以由 1 个、2 个或 4 个字节编码表示, 因此其编码空间庞大, 最多可定义 160 多万个字符。

Go 语言默认源码文件中的字符是采用 UTF-8 编码方案的 Unicode 字符。在 Go 中, 每个 rune 对应一个 Unicode 字符的码点, 而 Unicode 字符在内存中的编码表示则是放在 []byte 类型中。

从 rune 类型转换为 []byte 类型,称为 "编码 (encode)", 而反过来则称为 "解码 (decode)":

Unicode 码点在内存中的编码表示

rune []byte

rune -->编码encode []byte

rune 解码encode<-- []byte

3.1 rune 与 []byte

我们可以通过标准库提供的 unicode/utf8 包对 rune 进行编解码操作, 看下面示例:

package mainimport (    "fmt"    "unicode/utf8")// rune -> []bytefunc encodeRune() {    var r rune = 0x4E2D // 0x4E2D为Unicode字符"中"的码点    buf := make([]byte, 3)    n := utf8.EncodeRune(buf, r)    fmt.Printf("the byte slice after encoding rune 0x4E2D is ")    fmt.Printf("[ ")    for i := 0; i < n; i++ {    fmt.Printf("0x%X ", buf[i])    }    fmt.Printf("]\n")    fmt.Printf("the unicode charactor is %s\n", string(buf))}// []byte -> runefunc decodeRune() {    var buf = []byte{0xE4, 0xB8, 0xAD}    r, _ := utf8.DecodeRune(buf)    fmt.Printf("the rune after decoding [0xE4, 0xB8, 0xAD] is 0x%X\n", r)}func main() {encodeRune()decodeRune()}

运行该示例:

$ go run rune_encode_and_decode.go

the byte slice after encoding rune 0x4E2D is [ 0xE4 0xB8 0xAD ]

the unicode character is 中

the rune after decoding [0xE4, 0xB8, 0xAD] is 0x4E2D

我们再通过打印字符字面量底层的内存空间内容来验证示例输出结果的正确性:

package mainimport "fmt"func main() {    var s = "中"    fmt.Printf("Unicode字符:%s => 其UTF-8内存编码表示为: ", s)    for _, v := range []byte(s) {        fmt.Printf("0x%X ", v)    }    fmt.Printf("\n")}

运行该实例, 我们看到 Unicode 字符 "中" 底层的内存空间内容与其 UTF-8 编码后的切片中的内容是一样的:

$ go run dump_utf8_encoding_of_string.go

Unicode字符:中 => 其UTF-8内存编码表示为: 0xE4 0xB8 0xAD

3.2 UTF-8 编码 与 GB18030

Go 标准库没有直接提供简体中文编码与 UTF-8 编码之间的转换实现, 但 Go 标准库依赖的 golang.org/x/text 模块 (module) 中提供了相关转换实现。

golang.org/x/text 同样是 Go 团队维护的工具包, 我认为我们同样可以将该模块下面的包当做标准库来看待, 只是 Go1 兼容性并不保证这些包对外提供的 API 的稳定性。下面是转换的实现代码:

package mainimport ("bytes""errors""fmt""io/ioutil""os""unicode/utf8""golang.org/x/text/encoding/simplifiedchinese""golang.org/x/text/transform")func dumpToFile(in []byte, filename string) error {    f, err := os.OpenFile(filename, os.O_CREATE|os.O_TRUNC|os.O_RDWR, 0666)    if err != nil {    return err    }    defer f.Close()    _, err = f.Write(in)    if err != nil {    return err    }    return nil}func utf8ToGB18030(in []byte) ([]byte, error) {    if !utf8.Valid(in) {    return nil, errors.New("invalid utf-8 runes")    }    r := bytes.NewReader(in)    t := transform.NewReader(r, simplifiedchinese.GB18030.NewEncoder())    out, err := ioutil.ReadAll(t)    if err != nil {    return nil, err    }    return out, nil}func main() {    var src = "中国人" // <=> "\u4E2D\u56FD\u4EBA"    var dst []byte    for i, v := range src {    fmt.Printf("Unicode字符: %s <=> 码点(rune): %X <=> UTF8编码内存表示: ", string(v), v)    s := src[i : i+3]    for _, v := range []byte(s) {    fmt.Printf("0x%X ", v)    }    t, _ := utf8ToGB18030([]byte(s))    fmt.Printf("<=> GB18030编码内存表示: ")    for _, v := range t {        fmt.Printf("0x%X ", v)    }    fmt.Printf("\n")    dst = append(dst, t...)    }    dumpToFile(dst, "gb18030.txt")}

在这个实现中, 真正执行 UTF-8 到 GB18030 编码形式转换的是 simplifiedchinese.GB18030.NewEncoder 方法, 它读取以 UTF-8 编码表示形式存在的字节流 ([] byte),

并将其转换为以 GB18030 编码表示形式的字节流 ([] byte) 返回。

我们运行上述代码:

$ go run convert_utf8_to_gb18030.go

Unicode字符: 中 <=> 码点(rune): 4E2D <=> UTF8编码内存表示: 0xE4 0xB8 0xAD <=> GB18030编码内存表示: 0xD6 0xD0

Unicode字符: 国 <=> 码点(rune): 56FD <=> UTF8编码内存表示: 0xE5 0x9B 0xBD <=> GB18030编码内存表示: 0xB9 0xFA

Unicode字符: 人 <=> 码点(rune): 4EBA <=> UTF8编码内存表示: 0xE4 0xBA 0xBA <=> GB18030编码

该示例代码除了输出上面信息之外, 还将转换后的 GB18030 编码数据写入了 gb18030.txt 文件, 我们才 UTF-8 编码环境下输出该文件的内容:

$ cat gb18030.txt

?й???%

我们看到输出的内容为乱码。在 MacOS 环境下, 我们将自带 "终端 (Terminal)" 的文本编码设置为 GB18030, 然后在新标签窗口中再次输出 gb18030.txt 文件的内容:

$ locale

LANG="zh_CN.GB18030"

LC_COLLATE="zh_CN.GB18030"

LC_CTYPE="zh_CN.GB18030"

LC_MESSAGES="zh_CN.GB18030"

LC_MONETARY="zh_CN.GB18030"

LC_NUMERIC="zh_CN.GB18030"

LC_TIME="zh_CN.GB18030"

LC_ALL=

$cat gb18030.txt

中国人

这回终端上文件内容中的乱码消失了, 取而代之的是呈现了正确的内容:"中国人"。

locale命令 在Linux使用:

> # locale

LANG=zh_CN.GB18030

LC_CTYPE="zh_CN.GB18030"

LC_NUMERIC="zh_CN.GB18030"

LC_TIME="zh_CN.GB18030"

LC_COLLATE="zh_CN.GB18030"

LC_MONETARY="zh_CN.GB18030"

LC_MESSAGES="zh_CN.GB18030"

LC_PAPER="zh_CN.GB18030"

LC_NAME="zh_CN.GB18030"

LC_ADDRESS="zh_CN.GB18030"

LC_TELEPHONE="zh_CN.GB18030"

LC_MEASUREMENT="zh_CN.GB18030"

LC_IDENTIFICATION="zh_CN.GB18030"

LC_ALL=

使用 Go 标准库以及其依赖库 golang.org/x/text 下的包, 我们不仅可以实现 Go 默认字符编码 UTF-8 与其他字符集编码的互转, 我们还可以实现任意字符集编码之间的相互转换。

下面我们再来看一个将 GB18030 编码数据转换为 UTF-16 和 UTF-32 的示例 (我们利用上面示例生成的 gb18030.txt 作为输入数据源):

package mainimport ("bytes""fmt""io/ioutil""os""golang.org/x/text/encoding/simplifiedchinese""golang.org/x/text/encoding/unicode""golang.org/x/text/encoding/unicode/utf32""golang.org/x/text/transform")func catFile(filename string) ([]byte, error) {      f, err := os.Open(filename)      if err != nil {      return nil, err      }      defer f.Close()      return ioutil.ReadAll(f)}func gb18030ToUtf16BE(in []byte) ([]byte, error) {      r := bytes.NewReader(in) //gb18030      // to rune(the utf8 representation of code point)      s := transform.NewReader(r, simplifiedchinese.GB18030.NewDecoder())      d := transform.NewReader(s,      unicode.UTF16(unicode.BigEndian, unicode.IgnoreBOM).NewEncoder()) // to utf16BE, no bom      out, err := ioutil.ReadAll(d)      if err != nil {      return nil, err      }      return out, nil}func gb18030ToUtf32BE(in []byte) ([]byte, error) {    r := bytes.NewReader(in) //gb18030    // to rune(the utf8 representation of code point)    s := transform.NewReader(r, simplifiedchinese.GB18030.NewDecoder())    d := transform.NewReader(s,    utf32.UTF32(utf32.BigEndian, utf32.IgnoreBOM).NewEncoder()) // to utf32BE, no bom    out, err := ioutil.ReadAll(d)    if err != nil {    return nil, err    }    return out, nil}func main() {    src, err := catFile("gb18030.txt")    if err != nil {    fmt.Println("open file error:", err)    return    }    // gb18030 to utf-16be    dst, err := gb18030ToUtf16BE(src)    if err != nil {    fmt.Println("convert error:", err)    return    }    fmt.Printf("UTF-16BE(no BOM)编码: ")    for _, v := range dst {    fmt.Printf("0x%X ", v)    }    fmt.Printf("\n")    // gb18030 to utf-32be    dst1, err := gb18030ToUtf32BE(src)    if err != nil {    fmt.Println("convert error:", err)    return    }    fmt.Printf("UTF-32BE(no BOM)编码: ")    for _, v := range dst1 {    fmt.Printf("0x%X ", v)}fmt.Printf("\n")}

$ go run convert_gb18030_to_utf16_and_utf32.go

UTF-16BE(no BOM)编码: 0x4E 0x2D 0x56 0xFD 0x4E 0xBA

UTF-32BE(no BOM)编码: 0x0 0x0 0x4E 0x2D 0x0 0x0 0x56 0xFD 0x0 0x0 0x4E 0xBA

4. 小结

本节要点:

了解字符、字符集的属性:码点和内存编码表示 (位模式) 以及它们之间的关系;

Unicode 是目前被支持最为广泛的字符集;

UTF-8 是目前被支持最为广泛的 Unicode 字符的编码方案, 是 Unicode 码点编码方案的事实标准;

学会利用 Go 标准库以及扩展包实现不同字符编码方案间的转换。

标签: #linux设置编码格式为gb18030