首页 > 其他分享 >字符集和编码格式的简单学习

字符集和编码格式的简单学习

时间:2024-01-03 14:07:40浏览次数:22  
标签:编码 GB18030 unicode 字符 字符集 Unicode 格式

字符集和编码格式的简单学习


背景

因为遇到了一个数据库乱码的问题, 
所以想着能够学习和总结一下字符集和编码格式相关的内容
内容可能比较宏大, 我这边能够写的可能不是很多.
希望是一个完善和提高自己的机会

学习的资料

https://deerchao.cn/blog/posts/unicode.html
大佬的文档很牛B. 看完之后豁然开朗了很多
https://zhuanlan.zhihu.com/p/461741666
知乎上面的一个内容

感觉写的比较全了, 各种编码格式相关
https://www.unicode.org/history/publicationdates.html
unicode的官方发布历史

关于字符集的来源

最开始的电脑从ENIAC开始, 其实他的输入和输出是打孔机类似的工具
那个时候只有数字和英文字符, 并没有字符显示的机会.

从70年代个人PC以及鼠标显示器的出现. 以及国际化, 各个国家都开始电算化之后
五花八门的字符展示就开始了

最开始应该都是商业公司开始在做, 比如微软和Oracle以及IBM
他们会有很多的不同的说法, 比如微软的代码页, 微软SQLServer的排序规则
Oracle的字符集, IBM的i18n的一些玩法.

unicode基金会

(1) 国际标准化组织(ISO),他们于1984年创建ISO/IEC JTC1/SC2/WG2工作组,
    试图制定一份“通用字符集”(Universal Character Set,简称UCS),并最终制定了ISO 10646标准。
(2) 统一码联盟,他们由Xerox、Apple等软件制造商于1988年组成,并且开发了Unicode标准
    (The Unicode Standard,这个前缀Uni很牛逼哦---Unique, Universal, and Uniform)。

1991年前后,两个项目的参与者都认识到,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Unicode 2.0开始,Unicode采用了与ISO 10646-1相同的字库和字码;
ISO也承诺,ISO 10646将不会替超出U+10FFFF的UCS-4编码赋值,以使得两者保持一致。
两个项目仍都独立存在,并独立地公布各自的标准。不过由于Unicode这一名字比较好记,因而它使用更为广泛。

Unicode编码点分为17个平面(plane),
每个平面包含2的16次方(即65536)个码位(code point)。
17个平面的码位可表示为从U+xx0000到U+xxFFFF,其中xx表示十六进制值从00到10,共计17个平面。

unicode的发布历史

unicode 1.0 1991 年发布的
最初的几个版本, 基本上 3-5年发布一个
2.0 1996年
3.0 1999年
4.0 2003年
5.0 2006年
6.0 2010年
7.0 2014年

但是从 7.0 开始 及本上每年一个 大版本, 基本上
到了 2023年已经发布了
15.0 2023年.

各个软件的兼容性的选择

字符存储不仅仅要考虑是否浪费磁盘空间和网络带宽
还要考虑字符串算法的性能问题. 

最开始的操作系统, Windows 程序开发语言, java, javascript, 都是采用的 UCS-2 编码格式
但是需要说明
最开始的UCS-2 其实是一个定长编码格式.  2个字节表示所有的字符.  能够展示 65536个字符
定长编码有非常大的优势, 尤其是在进行字符串处理时. 
不需要对每个字符取出来进行判断他的长度, 会极大的提高效率
这也是 UTF-8虽然可以最大化的节约磁盘和带宽,但是操作系统,数据库,编程语言并不会将他作为第一选择. 

但是随着unicode的发展, 65536 已经明显不够使用,
此时unicode就开始使用其他的 16个panel 进行存储. 
UCS-2不得已必须使用 变长字符编码, 这一个就与UTF-16保持一致起来.
他的特点是:
从0xD800-0xDFFF 这个区域外, 其他的表示unicode码. 
这个区域有分为:  0xD800–0xDBFF (高代理区域)、0xDC00–0xDFFF (低代理区域)

基本上可以理解为 遇到 D8 到DF开头的编码, unicode 会自动的寻找下面一个双字节进行合并展示UTF-16的编码信息

虽然UTF-16 变成了变长编码 但是BMP里面的 65536-2048个字符表示 足够大部分情况下的使用, 性能依旧是最优解

关于mysql以及linux的兼容选择

Linux因为也是1991年发布的, 最开始没有考虑国际化, 所以他很侥幸的避免了UCS-2的历史坑. 
所以一开始就兼容UTF-8 没有历史包袱, 非常开心

MySQL 自作聪明, 使用了 UTF8 又自作聪明的使用了UTF8MB3  导致这个字符集
不仅仅是变成编码, 性能贼垃圾, 还只能保存 65536个字符, 国际化一套糊涂. 
所以感觉 MySQL虽然是最流行的开源数据库, 但是他的很多决策都是脑门被驴踢了的玩法. 

另外根据大佬的解释:
MySQL 中排序规则应该使用 utf8mb4_unicode_ci,而不是 utf8mb4_general_ci。
后者性能稍微高于前者,但算法不符合 Unicode 标准,可能在处理某些语言文字时出现错误的结果。
utf8mb4_unicode_ci对应 Unicode v4.0,
较新版本的 MySQL 还同时支持 v5.2(utf8mb4_unicode_520_ci),v9.0(utf8mb4_0900_ai_ci)。

关于GB的几种字符集

常见的国标字符集有:
GB2312 
GBK
GB18030
这里面除了GB18030之外都是双字节编码格式. 

GB2312 1980 年发布, 共收录了 6763 个常用的汉字和字符
现在已经成为GBT2312 不再是强制标准
双字节编码.

GBK 于 1995 年发布 在 GB2312 的基础上添加了这部分字符,就形成了 GBK ,
全称 《汉字内码扩展规范》,共收录了两万多个汉字和字符,它完全兼容 GB2312
可以表示的汉字达到了20902个,另有984个汉语标点符号、部首等
注意GBK不是强制标准

GB18030 
需要注意GB18030有至少三个版本了 2000,2005,2022

2000
字符集是中国政府在 2000 年发布的国家编码标准。
该标准设置的编码长度为一、二或四个字节。
GB18030-2000 包括 6763 个标准简体中文字符、13053 个繁体中文 (Big5) 字符、
3000 个在香港使用的字符以及 21003 个 GBK 字符

2005版本: 
《信息技术 中文编码字符集》是以汉字为主并包含多种我国少数民族文字的超大型中文编码字符集,
其中收入汉字70000余个。在GB18030-2000的基础上增加了42711个汉字和多种我国少数民族文字的编码
(如藏、蒙古、傣、彝、朝鲜、维吾尔文等)。增加的这些内容是推荐性的,
原GB18030-2000中的内容是强制性的,市场上销售的产品必须符合。
故GB18030-2005为部分强制性标准,自发布之日起代替GB18030-2000。

《信息技术 中文编码字符集》
(GB 18030-2022)强制性国家标准发布,
将于2023年8月1日正式实施。新国标共收录汉字87887个,
比上一版增加录入了1.7万余个生僻汉字。

一个简单总结

数据库,操作系统,程序,浏览器,都涉及到字符集的问题.
虽然UTF-8的性能可能不是最优, 但是他应该是全链路范围内最优解
既可以实现国际化, 对各种各种的问题兼容忍耐程度也高
出问题也好找解决方案, 实在解决不了也情有可原. 

国内来说GB18030-2000 是强制标准. 2023.8.1 已经发布了. 

保证数据准确, 性能优秀其实是所有产品的追求. 

浏览器的字符集改天继续学习和研究一下. 

说明:  unicode 其实是有 1个 BMP 的panel 和 16个SMP区域构成.
基本多文种平面(BMP)、辅助平面(SMP)和增补平面(SIP)

另外再BMP和第15和第十六个SMP里面有一定量的PUA区域 可以自行定义

Unicode规范中,私有使用区域一共3个,分别是1+2,
1是指在BMP(基本多语言平面)中的U+E000到U+F8FF,共6400个编码点位,
2是指两个补充私有区域,很大,其范围几乎覆盖了平面15和平面16的全部
(BMP是编号为0的平面,15、16是Unicode的最后两个平面,除了末尾的两个编码点,其余都是私有使用区域)
15号平面的私有使用区域范围是:U+F0000到U+FFFFD,  末尾的两个(U+FFFFE和U+FFFFF)除外;
16号平面的私有使用区域范围是:U+100000到U+10FFFD,末尾的两个(U+10FFFE和U+10FFFF)除外。



标签:编码,GB18030,unicode,字符,字符集,Unicode,格式
From: https://blog.51cto.com/u_11529070/9084298

相关文章

  • ZHS16GBK字符集下面Oracle数据库varchar与nvarchar的验证
    ZHS16GBK字符集下面Oracle数据库varchar与nvarchar的验证背景周末分析了SQLServermysql等数据库想着继续分析一下oracle数据库这边oracle使用的是ZHS16GBK的字符集.所以比较特殊.还是建议得使用UTF-8字符集.能让系统干的活就让系统干,自己干国际化太费劲了.处理思路使......
  • 音视频编码基础知识
    视频编码指的是通过特定的压缩技术将一种视频格式文件转换成另一种视频格式文件的过程。常见的视频编码:MPEG类MPEG1(VCD等使用),MPEG2(DVD等使用),MPEG4(DivX,XviD是它的变体),MPEG4AVC等H.26x类H.261,H.262,H.263,H.263+,H.263++,H.264,H.265常见的音频编码:MPEGAudioLayer1/2,MPE......
  • 轻松转换,一键搞定:JVS低代码平台的日期格式转换功能详解!
    日期和时间在我们的日常生活中起着至关重要的作用,无论是计划日程、管理项目还是执行其他任务,都需要精确的时间信息。在JVS低代码平台上,日期格式转换主要依赖于逻辑引擎中的函数公式。这些函数为我们的用户提供了一种强大且灵活的方式来处理和转换日期时间数据。我们的时间函数旨在......
  • 前端数据流组装指定格式的文件下载
    有的时候,我们从后端获取了文件数据,需要在前端组合成指定格式的文件,并下载。组合文件,除了数据,还需要规定格式,才知道组合成什么格式的文件。主要代码如下:/**responseText后端获取的文件数据*这里以pdf格式的文件举例,设置type为pdf文件需要的类型**/constblobFil......
  • 稀疏自编码与深度学习的结合
    1.背景介绍稀疏自编码(SparseAutoencoding)是一种深度学习技术,它主要用于处理稀疏数据,如文本、图像等。稀疏自编码的核心思想是将稀疏数据映射到低维的编码空间,从而减少数据的维度并提高计算效率。在深度学习领域,稀疏自编码被广泛应用于图像压缩、文本摘要生成、语音识别等任务。在......
  • java按格式导出
    Java按格式导出在Java编程中,我们经常需要将数据导出为特定的格式,例如CSV、Excel等。本文将介绍如何使用Java按照指定的格式导出数据,并通过代码示例说明。什么是数据导出?数据导出是将计算机系统中的数据以某种格式输出到外部设备或文件中的过程。通过数据导出,我们可以将计算机中......
  • 浏览器原生支持JS Base64编码解码
    1.Base64解码:vardecodedData=window.atob('内容');2.Base64编码:varencodedData=window.btoa('base64编码内容');3.中文转换报错?若中文Base64数据转换有报错问题,可以中文先encode转码和decode编码,示例如下:3.1使用:window.btoa(window.encodeURIComponent('内......
  • 结合 element -Plus组件库,压缩图片大小,限制图片格式
    业务背景:业务上需求满足上传的图片不能太大,但是有时候上传的图片确实超过了限制大小,所以前端这边可以将图片压缩再上传,亦或者是上传给后端接口的图片只能是指定格式,我们前端需要将图片后缀转化,也可以处理!封装的使用方法如下:使用canvas对图片进行压缩处理:/**压缩图片......
  • Linux Debian12安装和使用ImageMagick图像处理工具 常见图片png、jpg格式转webp格式
    一、ImageMagick简介ImageMagick是一套功能强大、稳定而且免费的工具集和开发包。可以用来读、写和图像格式转换,可以处理超过100种图像格式,包括流行的TIFF,JPEG,GIF,PNG,PDF以及PhotoCD等格式。对图片的操作,即可以通过命令行进行,也可以用C/C++、Perl、Java、PHP、Python或Rub......
  • js中三种URI编码方式比较
    一、实例比较数据传递常需要编码后传递,接收还需反编译,定义url:varurl="https://www.cnblogs.com/?username='小森森'&password='666666'";escape与unescapeconsole.log(escape(url));//编码console.log(unescape(escape(url)));//解码结果:https%3A//www.cnblog......