《Linux及安全》实践三 字符集总结与分析

【by lwr】

一、ISO、UCS/UTF、GB系列字符集分析

1.字符集&字符编码

• 字符集（Charset）：是一个系统支持的所有抽象字符的集合。也就是说，这是相对固定的、包含大量字符的集合。

• 字符编码（Character Encoding）：是一套法则，使用该法则能够对自然语言的字符的一个集合（如字母表或音节表），与其他东西的一个集合（如号码或电脉冲）进行配对。也就是说，这是动态的、方法性质的编码规则。

2.ASCII码

• 总述：
  • ASCII（美国信息交换标准代码）是基于拉丁字母的一套电脑编码系统。它主要用于显示现代英语，而其扩展版本EASCII则可以勉强显示其他西欧语言。它是现今最通用的单字节编码系统，等同于国际标准ISO/IEC 646
• 码字表
  • ASCII的最大缺点是只能显示26个基本拉丁字母、阿拉伯数目字和英式标点符号，因此只能用于显示现代美国英语。
  • 

3.GB码

• 总述：
  • GB2312或GB2312-80是中国国家标准简体中文字符集，全称《信息交换用汉字编码字符集·基本集》，又称GB0，由中国国家标准总局发布
  • GB2312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（称之为高字节）从0xA1到 0xF7，后面一个字节（低字节）从0xA1到0xFE，这样就可以组合出大约7000多个简体汉字
  • 在这些编码里，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。

4.UCS/UTF

• 总述：
  • 通用字符集（Universal Character Set，UCS）是由ISO制定的ISO 10646（或称ISO/IEC 10646）标准所定义的标准字符集
  • Unicode 是基于通用字符集（Universal Character Set）的标准来发展，并且同时也以书本的形式[1]对外发表。Unicode 还不断在扩增， 每个新版本插入更多新的字符。
• 以UTF-8为例
  • UTF-8使用一至四个字节为每个字符编码：
    1. 128个US-ASCII字符只需一个字节编码（Unicode范围由U+0000至U+007F）。
    2. 带有附加符号的拉丁文、希腊文、西里尔字母、亚美尼亚语、希伯来文、阿拉伯文、叙利亚文及它拿字母则需要二个字节编码（Unicode范围由U+0080至U+07FF）。
    3. 其他基本多文种平面（BMP）中的字符（这包含了大部分常用字）使用三个字节编码。
    4. 其他极少使用的Unicode辅助平面的字符使用四字节编码。

二、设置、修改系统默认字符集

1.查看虚拟机的字符集：

• 

  • 由此可见，该虚拟机的字符集为zh_US.UTF-8。

2.查看服务器支持的编码方式

• 

• 

3.修改字符集类型

• 

  • 上图可见，LANG字符集类型修改为en_CA.utf-8。

4.查看某个文件的字符类型

• 

  • 由此可见，我选择的hello.c文件是ASCII编码方式的

三、同一文件的不同存储方式

1.编写文件并以不同方式存储

1. 编写内容均为“20135216刘蔚然[回车]LWR”的文本文件，分别用ANSI、Unicode、Unicode big endian、UTF-8的编码方式存储
   • 
2. 下载并安装UltraEdit

3. 用该软件打开对应文件之后，转换为16进制

4. 查看编码表，找到分别对应ANSI、Unicode、UTF-8的本人姓名编码
   • C1F5 5218 E5 88 98 刘
   • CEB5 851A E8 94 9A 蔚
   • C8BB 7136 E7 84 B6 然
5. 查看各编码方式

   • 

     • 汉字部分为C1F5 CEB5 C8B8就是“刘蔚然”的gb3212编码，而阿拉伯数字20135216（32 30 31 33 35 32 31 36）和英文字母LWR（4C 57 52）都是用ascii编码表示，大端方式编码。

   • 

     • 最开头有一个FE FF ，代表采用大端方式，依然是unicode编码，5218 851A 7136仍然是Unicode表示本人姓名的编码，而阿拉伯数字20135216（0032 0030 0031 0033 0035 0032 0031 0036）和英文字母LWR（004C 0057 0052）都是用ascii编码表示,也采用大端

   • 

     • 最开头有一个FF FE，代表着ucs-2，采用小端方式，其他同上面的Unicode big endian

   • 

     • 开头是EF BB BF是utf-8的标志，之后的编码按照大端方式排列，汉字实用的是utf-8格式：E5 88 98 E8 94 9A E7 84 B6；而数字20135216仍然是ASCII码（32 30 31 33 35 32 31 36），字母也是ASCII码（LWR）
6. 总结
   • 我们发现这4种编码方式只是汉字不同格式运用不同编码，而阿拉伯数字和英文字母都是用ascii编码表示，也就是为什么我们有时候打开一个文件会出现乱码，而阿拉伯数字和英文字母都是正常的原因，汉字在不同的编码格式中都是有不同的汉字编码，而阿拉伯数字和英文字母通用ascii编码表示。