国产一级a片免费看高清,亚洲熟女中文字幕在线视频,黄三级高清在线播放,免费黄色视频在线看

前幾天看文初的《精武門之Web安全研討會(huì)首日感受》，說到利用字符集攻擊時(shí)提到以前寶寶寫的一篇有關(guān)國際化的文章，趁機(jī)再次拜讀了寶寶的這篇大作，不得不感慨寶寶的寫作功底，無敵！這么好的文章不分享出來實(shí)在是太可惜了，在此將寶寶的大作轉(zhuǎn)帖于此；

作者序

在我開發(fā)Java程序的幾年中，遇到得最多，也是別人向我提問最多的問題，就是各種各樣看似稀奇古怪的中文亂碼問題了。網(wǎng)上也有許多解釋和解決Java中文問題的文章，但水平參差不齊，有一些文章甚至是錯(cuò)誤的。

此外，我們公司自己的Java程序從一開始就采用了錯(cuò)誤的方式處理中文問題，雖能解一時(shí)之急，卻引出了越來越多的深遠(yuǎn)的問題。每當(dāng)我聽到有的同事還在討論如何特殊處理雙字節(jié)的中文GB碼，就感慨他們思路的狹隘。試問，今天我們可以用特殊的方式處理我們所熟悉的中文編碼，可是今后我們怎樣才能應(yīng)付日文版、韓文版、或世界其它國家語言的產(chǎn)品開發(fā)呢？

在我看來，與其說這些問題是“中文化問題”，不如說是“國際化問題”。所謂的“漢化”這種說法已經(jīng)隨時(shí)代遠(yuǎn)去了。想想看，這個(gè)詞帶有明顯的小農(nóng)經(jīng)濟(jì)的色彩：自家漢化自家用，哪管世界變化多。經(jīng)過漢化的軟件，常常意味著：版本落后、不兼容、不穩(wěn)定。為什么會(huì)這樣呢？根本原因是，從軟件的設(shè)計(jì)階段，就沒有考慮國際用戶的需要，沒有采用國際通用的標(biāo)準(zhǔn)。事后要彌補(bǔ)自然難上加難。

所以讓我們把眼光放開，想一想“國際化”。當(dāng)然國際化的目的還是生產(chǎn)出“漢化”的軟件，但我們可以用同樣的方法“韓化”、“日化”、“阿拉伯化”，統(tǒng)稱為“本地化” —— 這就是“國際化”的目的。國際化和本地化有兩個(gè)很體面的英文縮寫：I18n（Internationalization）和L10n（Localization）。

想要開發(fā)出國際化的軟件產(chǎn)品，首先要了解國際標(biāo)準(zhǔn)，而不是使用東拼西湊的權(quán)宜之計(jì)。本文首先從相關(guān)國際標(biāo)準(zhǔn)的討論切入，相信正確地理解和應(yīng)用這些標(biāo)準(zhǔn)，所有的“中文化問題”或“國際化問題”都會(huì)迎刃而解。

字符編碼簡介

ASCII碼

從學(xué)計(jì)算機(jī)的那天開始，老師就告訴我們在計(jì)算機(jī)里面，所有的英文字母都對應(yīng)到一個(gè)數(shù)字編碼，這就是ASCII碼（American Standard Code for Information Interchange）。ASCII碼是很久很久以前（1968年）制定的。它只使用了一個(gè)8位字節(jié)中的低7位，總共是127個(gè)編碼位。這樣的方案很快就不夠使用了。

單字節(jié)編碼的發(fā)展

在80年代早期，一些現(xiàn)在流行的標(biāo)準(zhǔn)（如ISO 8859和Unicode）還未出現(xiàn)。那時(shí)為了支持多種地區(qū)的語言，各大組織機(jī)構(gòu)或IT廠商開始發(fā)明它們自己的編碼方案，以便彌補(bǔ)ASCII編碼的不足。一時(shí)間，各種互不相容的字符編碼方案成百花齊放之勢。

為了避免混亂，ISO組織在1998年之后，陸續(xù)發(fā)表了一系列代號(hào)為8859的標(biāo)準(zhǔn)，作為ASCII編碼的標(biāo)準(zhǔn)擴(kuò)展，終于統(tǒng)一了單字節(jié)的西方字符的編碼。ISO是設(shè)在瑞士的國際標(biāo)準(zhǔn)化組織的簡稱（International Organization for Standardization）。

ISO-8859-1（Latin1 - 西歐字符）

ISO-8859-1覆蓋了大多數(shù)西歐語言，包括：法國、西班牙、葡萄牙、意大利、荷蘭、德國、丹麥、瑞典、挪威、芬蘭、冰島、愛爾蘭、蘇格蘭、英格蘭等，因而也涉及到了整個(gè)美洲大陸、澳大利亞和非洲很多國家的語言。

此外，ISO-8859-1后來被采納為ISO-10646標(biāo)準(zhǔn)（后面會(huì)講到）的首頁，換句話說，Unicode的最開頭256個(gè)字符編碼和ISO-8859-1是一一對應(yīng)的。正是由于這個(gè)特殊性，使很多人產(chǎn)生了對ISO-8859-1編碼的誤用。

ISO-8859標(biāo)準(zhǔn)還包括：

• ISO-8859-2（Latin2 - 中、東歐字符）
• ISO-8859-3（Latin3 - 南歐字符）
• ISO-8859-4（Latin4 - 北歐字符）
• ISO-8859-5（Cyrillic - 斯拉夫語）
• ISO-8859-6（Arabic - 阿拉伯語）
• ISO-8859-7（Greek - 希臘語）
• ISO-8859-8（Hebrew - 希伯來語）
• ISO-8859-9（Latin5）
• ISO-8859-10（Latin6）
• ISO-8859-11（Thai - 泰國語）
• ISO-8859-12（保留）
• ISO-8859-13（Latin7）
• ISO-8859-14（Latin8）
• ISO-8859-15（Latin9）

但是ISO 8859系列標(biāo)準(zhǔn)的字符編碼，還是互不相容，不可能同時(shí)使用的。畢竟它們只是單字節(jié)的編碼方案。而且，它們和多字節(jié)的編碼方案如中文編碼GB2312和BIG5也是不相容的。那些歐洲字符（最高位為1的字符），在GB2312和BIG5中被認(rèn)為是雙字節(jié)漢字編碼的首字節(jié)。

多字節(jié)編碼的發(fā)展

單字節(jié)編碼只有256個(gè)碼位（2⁸=256），而中文字符何止千千萬，單字節(jié)編碼不可能滿足中文編碼的需要。于是為了適應(yīng)東方文字信息處理的需要，ISO又制定了ISO 2022標(biāo)準(zhǔn)（Character code structure and extension techniques），提供了七位與八位編碼字符集的擴(kuò)充方法的標(biāo)準(zhǔn)。我國根據(jù)ISO 2022制定了國家標(biāo)準(zhǔn)GB2311 ——《信息交換用七位編碼字符集的擴(kuò)充方法》，并根據(jù)該標(biāo)準(zhǔn)制定了國家標(biāo)準(zhǔn)GB2312-80編碼。其他東方國家和地區(qū)也制定了各自的字符編碼標(biāo)準(zhǔn)，如日本的JIS0208，韓國的KSC5601，臺(tái)灣地區(qū)的CNS11643等。

BIG5

BIG5是從CNS11643的早期版本發(fā)展而來的，雖然沒有包括CNS11643的全部內(nèi)容，但卻是目前臺(tái)灣、香港地區(qū)普遍使用的一種繁體漢字的市場標(biāo)準(zhǔn)，包括440個(gè)符號(hào)，一級(jí)漢字5401個(gè)、二級(jí)漢字7652個(gè)，共計(jì)13060個(gè)漢字。

GB2312-80

全稱是《信息交換用漢字編碼字符集 基本集》，1980年發(fā)布，是中文信息處理的國家標(biāo)準(zhǔn)，在大陸及海外使用簡體中文的地區(qū)（如新加坡等）是強(qiáng)制使用的唯一中文編碼。

·         雙字節(jié)編碼

·         A1-A9：符號(hào)區(qū)，包含682個(gè)符號(hào)

·         B0-F7：漢字區(qū)，包含6763個(gè)漢字

GB2312碼共收錄6763個(gè)簡體漢字、682個(gè)符號(hào)，其中漢字部分：一級(jí)字3755，以拼音排序，二級(jí)字3008，以偏旁排序。該標(biāo)準(zhǔn)的制定和應(yīng)用為規(guī)范、推動(dòng)中文信息化進(jìn)程起了很大作用。

GBK

漢字內(nèi)碼擴(kuò)展規(guī)范（GBK）是國家技術(shù)監(jiān)督局1995年為中文Windows 95所制定的新的漢字內(nèi)碼規(guī)范。

·         雙字節(jié)編碼，GB2312-80的擴(kuò)充，在碼位上和GB2312-80兼容。

·         范圍：8140 ～ FEFE（剔除xx7F）共23940個(gè)碼位。

·         包含21003個(gè)漢字，包含了ISO 10646中的全部中日韓漢字，簡、繁體字融于一庫。

嚴(yán)格說，GBK不能算是國家標(biāo)準(zhǔn)，最多算是一個(gè)商業(yè)標(biāo)準(zhǔn)。而GB18030才是真正的國家標(biāo)準(zhǔn)。

GB18030-2000

全稱是《信息交換用漢字編碼字符集》，是我國的強(qiáng)制標(biāo)準(zhǔn)，所有不支持GB18030標(biāo)準(zhǔn)的軟件將不能作為產(chǎn)品出售。

·         單字節(jié)、雙字節(jié)、四字節(jié)編碼。

·         向下與GB2312編碼兼容。

·         支持GB 13000.1-1993中的全部中、日、韓（CJK）統(tǒng)一漢字字符和全部CJK統(tǒng)一漢字?jǐn)U展A的字符。

雖然GB18030標(biāo)準(zhǔn)非常強(qiáng)大，但它是一個(gè)中國大陸的標(biāo)準(zhǔn)。在編碼上，除了和GB2312以外，還是不能和世界上其它任何一種字符編碼統(tǒng)一。

終極標(biāo)準(zhǔn) —— Unicode和ISO 10646

前面所講的一切字符編碼方案，都是針對局部地區(qū)或少數(shù)語言文字的，沒有辦法同時(shí)表達(dá)所有的語言文字，或在多種語言平臺(tái)上交換。這對今天極其頻繁的國際信息交流是不相稱的。

為了提高計(jì)算機(jī)的信息處理和交換功能，使得世界各國的文字都能在計(jì)算機(jī)中處理，從1984年起，ISO組織就開始研究制定一個(gè)全新的標(biāo)準(zhǔn)：通用多八位編碼字符集（Universal Multiple-Octet Coded Character Set），簡稱UCS。標(biāo)準(zhǔn)的編號(hào)為：ISO 10646。這一標(biāo)準(zhǔn)為世界各種主要語言的字符(包括簡體及繁體的中文字)及附加符號(hào)，編制統(tǒng)一的內(nèi)碼。

統(tǒng)一碼（Unicode）是Universal Code的縮寫，是由另一個(gè)叫“Unicode學(xué)術(shù)學(xué)會(huì)”（The Unicode Consortium）的機(jī)構(gòu)制定的字符編碼系統(tǒng)。Unicode與ISO 10646國際編碼標(biāo)準(zhǔn)從內(nèi)容上來說是同步一致的。

Unicode是Java語言和XML的基礎(chǔ)，所以我們要稍微詳細(xì)地介紹一下Unicode以及ISO 10646標(biāo)準(zhǔn)。

注意：不夠耐心的讀者可以跳過本章的余下部分。但顯然了解本章所描述的Unicode及相關(guān)編碼的技術(shù)細(xì)節(jié)，有利于你更好地理解和應(yīng)用Unicode。

Unicode和ISO 10646的關(guān)系

在1991年，Unicode學(xué)術(shù)學(xué)會(huì)與ISO國際標(biāo)準(zhǔn)化組織決定共同制訂一套適用于多種語言文本的通用編碼標(biāo)準(zhǔn)。Unicode與ISO 10646國際編碼標(biāo)準(zhǔn)于1992年1月正式合作發(fā)展一套通用編碼標(biāo)準(zhǔn)。自此，兩個(gè)組織便一直緊密合作，同步發(fā)展Unicode及ISO 10646國際編碼標(biāo)準(zhǔn)。

雖然兩個(gè)組織保持如此密切的合作關(guān)系，但Unicode和ISO 10646還是有區(qū)別的。ISO 10646著重定義字符編碼，而Unicode則在此基礎(chǔ)上，為這些字符及編碼數(shù)據(jù)提出應(yīng)用的方法以及對語義數(shù)據(jù)作補(bǔ)充。

UCS的結(jié)構(gòu)

UCS的結(jié)構(gòu)是一個(gè)四維的編碼空間，每一維由一個(gè)字節(jié)（八位二進(jìn)制位）組成，范圍是00到FF?？傮w上分為128個(gè)群組(Group 00-7F)，每一群組由256個(gè)平面(Plane 00-FF)組成，每一平面有256行(Row 00-FF)，每一行256個(gè)編碼位(Cell 00-FF)。所以，每一平面包括65,536個(gè)字符位(Character Position 0000-FFFF)。

整個(gè)編碼字符集的每個(gè)字符都由4個(gè)字節(jié)，按“組-面-行-列”的順序表示。所以UCS的可編碼空間為：128 × 256 × 256 × 256 = 2³¹。

UCS將其第一個(gè)平面(00群組中的00平面)稱作基本多語種平面（Basic Multilingual Plane，BMP）。

在UCS中，目前只有00組是重要的，Unicode學(xué)術(shù)學(xué)會(huì)斷言，在可以預(yù)見的將來，甚至不可能用完00組中的前17個(gè)平面（00平面到10平面）。因此，Unicode只定義了ISO 10646的第00組的前17個(gè)平面。事實(shí)上，目前絕大多數(shù)字符，都分配在第00平面BMP中。

下表中列出了BMP中的字符分配情況：

UCS的表現(xiàn)形式

UCS有兩種方式來表示一個(gè)字符編碼：四字節(jié)正規(guī)形式（UCS-4，Four-octet canonical form）和雙字節(jié)基本平面形式（UCS-2，Two-octet BMP form）。

UCS-4 —— 四字節(jié)正規(guī)形式

UCS-4用4個(gè)字節(jié)來表示一個(gè)字符。第一個(gè)字節(jié)表示組（Group），第二表示平面（Plane），第三表示行（Row），第四表示單元號(hào)或列（Cell）。

UCS-2 —— 雙字節(jié)基本平面形式

當(dāng)系統(tǒng)只使用BMP的字符碼時(shí)，可以省略群組和平面中的八位，將字符碼由32個(gè)位縮短為16個(gè)位（2個(gè)字節(jié)）。標(biāo)記為UCS-2。

Unicode和UCS-2同樣采用16位編碼。所以一般可以把Unicode和UCS-2看作是同一樣?xùn)|西。

代理對（Surrogate Pair）

UCS-4定義了4個(gè)字節(jié)表示一個(gè)字符，用來應(yīng)付將來的擴(kuò)展是綽綽有余?？墒?u>Unicode和UCS-2只定義了2個(gè)字節(jié)，卻很容易用盡。代理對（Surrogate Pair）的設(shè)計(jì)在這種背景下應(yīng)運(yùn)而生。

UCS-2在BMP中開辟了一個(gè)特殊的區(qū)間（D800 - DFFF） -- 代理區(qū)，并平分成兩個(gè)區(qū)，分別稱為高半代理區(qū)（High-half Zone，D800 - DBFF），和低半代理區(qū)（Low-half Zone，DC00 - DFFF），各有1024個(gè)碼位。使用時(shí)，從高低兩個(gè)代理區(qū)中各取一個(gè)編碼組成一個(gè)四字節(jié)的代理，來表示一個(gè)在BMP以外平面上的編碼字符位。這樣一來，總共可以多表示1024×1024個(gè)字符，映射到00群組中的01到10平面（共16個(gè)平面）。

代理對提供了用BMP的2字節(jié)編碼來表示在基本多文種平面（BMP）之外的16個(gè)平面編碼的機(jī)制。一些不常用的字符可以用代理對表示。目前，只有ISO/IEC 10646-2:2001和Unicode 3.1才使用到代理對。

高半代理區(qū)和低半代理區(qū)的劃分，使編碼位相互區(qū)分開。非代理區(qū)字符一定不會(huì)在這個(gè)區(qū)里。因?yàn)楦甙氪韰^(qū)和低半代理區(qū)不相交，所以很容易決定字符值的邊界。一個(gè)完好的文本中，高半代理碼和低半代理碼總是按先后成對出現(xiàn)。

如果在實(shí)現(xiàn)上沒有刪除代理碼或在代理碼對中插入字符，數(shù)據(jù)的完整性就可得到保證。即使數(shù)據(jù)有殘損，也只是局部的。一個(gè)殘缺的碼只影響一個(gè)字符。因?yàn)楦甙氪韰^(qū)和低半代理區(qū)不相交，且成對出現(xiàn)，錯(cuò)碼不會(huì)傳到文本的其它部分。

具體來說，一個(gè)代理對（H，L）由碼值為D800-DBFF 的高半代理碼H和碼值為 DC00-DFFF低半代理碼L組成。將一個(gè)字符映射到UCS-4碼位中。假設(shè)N是UCS-4碼值，則有：（以下所有數(shù)字均為16進(jìn)制）

N = (H - D800) × 400 + (L - DC00) + 10000

于是得到N的碼值為10000到10FFFF。

注意

Unicode 3.0沒有用到代理對，直到3.1才增加了CJK Ext B，用到了02平面，需要使用代理對才能訪問。但99.99%的情況下，根本用不到那些字。此外，JDK1.4只支持到Unicode 3.0，所以目前Java還不能應(yīng)用代理對。

UTF編碼

UTF為UCS Transformation Format的縮寫，意為“UCS轉(zhuǎn)換格式”。UCS只是一個(gè)字形和內(nèi)碼上的標(biāo)準(zhǔn)，并沒有定義實(shí)際在計(jì)算機(jī)上存取的方法，而UTF便定義了一整套的計(jì)算機(jī)存取UCS編碼的轉(zhuǎn)換格式，并考慮了與其它編碼方式兼容。常用的格式有UTF-8和UTF-16。有時(shí)也用到UTF-7來進(jìn)行7位數(shù)據(jù)傳輸。

UTF-16

UTF-16是用定長16位（2字節(jié)）來表示的UCS-2或Unicode轉(zhuǎn)換格式。它將Unicode的編碼值變成2字節(jié)的Big-endian（高位字節(jié)在前，低位字節(jié)在后）或Little-endian（低位字節(jié)在前，高位字節(jié)在后）編碼。UTF-16利用代理對來訪問BMP之外的字符編碼。

Java使用Big-endian系統(tǒng)，而Intel系列處理器內(nèi)部使用Little-endian系統(tǒng)（學(xué)匯編語言和C語言的人都知道）。

例如：“中國”兩字，Unicode是4E2D 56FD，在Windows上用UTF-16編碼，結(jié)果為四個(gè)字節(jié)：2D 4E FD 56；如果使用Java輸出，結(jié)果為：4E 2D 56 FD。

使用UTF-16有什么缺點(diǎn)呢？很顯然，

1.   所有原本1個(gè)字節(jié)就可以表示的西方字符，現(xiàn)在要用2個(gè)字節(jié)來表示，體積大了一倍。

2.   學(xué)過C的人都知道，0x00代表C字符串的結(jié)尾。但是用UTF-16來表示單字節(jié)字符（ISO-8859-1）時(shí)，高位字節(jié)為0x00。這樣就會(huì)使C語言庫函數(shù)發(fā)生誤判。用UTF-16表示文件名、網(wǎng)址等，全引出無數(shù)的問題。

3.   字符的邊界不好找。程序處理時(shí)必須從字符串的頭部開始掃描，才可能正確地找出一個(gè)字符的邊界，效率較低。此外，萬一壞掉一個(gè)字節(jié)，這個(gè)字節(jié)之后的字符都會(huì)錯(cuò)位，壞掉一片。

所有的這些問題，在UTF-8中都不存在。

但是，UTF-16也有其天然的優(yōu)點(diǎn)：它直接表現(xiàn)了字符編碼的整數(shù)值。所以UTF-16是最直接的Unicode表示法。此外，它是定長的，這大大簡化了字符串的操作。Java語言就是用UTF-16格式將字符存儲(chǔ)在內(nèi)存中的。正是這樣，才使Java的Unicode字符串的操作格外簡單高效。

UTF-8

UTF-8使用了變長技術(shù)，在每一個(gè)編碼區(qū)域有不同的字碼長度：

1.   對UCS-2，由1字節(jié)至3字節(jié)構(gòu)成；

2.   如果UCS-2使用了代理對，則UTF-8最長可到4字節(jié)；

3.   對UCS-4，由1字節(jié)至6字節(jié)構(gòu)成。

因?yàn)橐宰止?jié)（8位）為組成單元，故稱為“UTF-8”。對于英文文本，UTF-8的文件大小比其它轉(zhuǎn)換格式都小。

在UTF-8內(nèi)，字符由1個(gè)至6個(gè)字節(jié)為組合。下表列舉出了不同范圍的UCS碼轉(zhuǎn)換成UTF-8的規(guī)則。英文字母“x”代表可以用來記錄 Unicode 碼值的區(qū)域。

在UTF-8內(nèi)，

1.   如果一個(gè)字節(jié)，最高位（第8位）為0，表示這是一個(gè)ASCII字符（00 - 7F）。可見，所有ASCII編碼已經(jīng)是UTF-8了。

2.   如果一個(gè)字節(jié)，以11開頭，連續(xù)的1的個(gè)數(shù)暗示這個(gè)字符的字節(jié)數(shù)，例如：110xxxxx代表它是雙字節(jié)UTF-8字符的首字節(jié)。

3.   如果一個(gè)字節(jié)，以10開始，表示它不是首字節(jié)，需要向前查找才能得到當(dāng)前字符的首字節(jié)。

可見UTF-8可以有效地保證數(shù)據(jù)的完整性，避免出現(xiàn)編碼的錯(cuò)位。即使偶然出現(xiàn)“壞字”，也不會(huì)影響到后續(xù)的文本。

那么UTF-8有什么缺點(diǎn)呢？顯然，對于在BMP中的中文字來說，需要用3個(gè)字節(jié)才能表示，比使用UTF-16或直接使用雙字節(jié)的GB2312編碼大了0.5倍。

上文說了一大通，總結(jié)一下，其實(shí)很簡單：

1. 字符編碼是抽象字符在計(jì)算機(jī)中的數(shù)字表示。
2. 字符編碼集（character set，簡稱字符集）是一批字符編碼的集合。世界上存在大量互不兼容的字符集，給國際交流帶來了困難。
3. ASCII碼是最古老的字符編碼，它總共只定義了7位共128個(gè)字母、數(shù)字和符號(hào)。但它是其它所有字符編碼的基礎(chǔ)。
4. Unicode用16位整數(shù)編碼，將世界上所有主要文字的字符統(tǒng)一起來了。如果利用代理對（surrogate pair）最多可以表示從0到1FFFF的字符。然而絕大多數(shù)情況下，只需要用到0到FFFF之間的字符就足夠了。
5. Unicode常用UTF-8和UTF-16來表示。7位的ASCII碼不用作任何變化，就已經(jīng)是UTF-8了。但UTF-8需要用3個(gè)字節(jié)來表示一個(gè)漢字。
6. ISO 8859系列字符集，定義了單字節(jié)字符編碼的標(biāo)準(zhǔn)。其中最特殊的是ISO-8859-1編碼，它的編碼和Unicode中最開始的256個(gè)字符編碼完全相同。
7. GB18030編碼是中國大陸的國家標(biāo)準(zhǔn)，在字匯上等同于Unicode，在編碼上和GB2312編碼以及GBK編碼兼容。