从codepage,iocharset 到ASCII,Unicode,UTF-8

罗克炬

装完linux+winXP双系统后,在linux中挂载winXP分区,有乱码现象,应该是字符编码的问题.查查资料,解决如下:
linux下挂载FAT32分区或者挂在移动硬盘时中文会出现乱码的现象（表现为中文变成一连串的问号），这是因为编码格式的问题，linux内核中默认的编码格式是codepage=417、iocharset=ascii，经过实验可以通过下面的方式来加以解决。
1、挂载时增加两个参数codepage=936、iocharset=utf8。这样挂载挂文件系统时会用上述的两个指定参数替换掉默认的编码参数从而解决乱码的问题。
2、
重新编译内核，在File System->DOS/FAT/NT Filesystems中可以看到Default codepage for
FAT和Default iocharset for
FAT两个选项。分别修改成936和utf8。重新编译内核后用新内核启动系统，可以基本上永久解决乱码的现象。
[color="#ff0000"]******************************************************************
[color="#ff0000"]******************************************************************
既然有问题,那就继续深入了解一下codepage与iocharset吧,毕竟不懂就得学嘛
作者 FireMeteor
参考资料：内核文档，mount的manpage。windows部分基本上凭自己的记忆－－不可靠
由于资料来源与本人理解表述的关系，可能存在错漏之处
     codepage是m$搞出来的东西。早期的操作系统都是直接使用本地语言字符集(nativelanguage
character
set,NLS)，屏幕显示如此，内部表示也如此。dos就是一个典型的例子。m$把这种本地字符集称作codepage。常见的codepage有
CP437（美、加），CP850（欧），CP932（日），CP936（简体中文,gbk），CP950(繁体中文BIG5)等。在dos时代，fat
文件系统里面存储的文件名也使用codepage。这些东西似乎是unicode出来以前，m$根据一些国家的国家标准搞的，所以相互之间编码冲突比较严
重，一旦代码页设置错误，显示结果就乱七八糟。
   
windows9x似乎主要还是采用代码页机制，但是对unicode也有了部分支持。其新增的长文件名支持使用unicode存放文件名。在linux
中叫做vfat。也就是说，短文件名用codepage，长文件名用unicode。记得以前在windows9x里面打日文游戏的时候还需要日文环境的
支持，否则全是乱码。但是不管怎么支持，屏幕中总有一部分乱码，不是中文乱，就是日文乱。这大概就是codepage只支持一种本地语言的缘故。
  
到2000以后，系统内核处理字符串的时候总是先转换成unicode，在显示输出的时候，再视情况转回本地字符集，所以情况要好很多。理论上说，所有
unicode程序，在2000下都能同时正常显示，也就是说中文、日文、韩文等都可以同屏显示。但是使用本地字符集
的程序还是同时只有一种语言能够正常显示。
   下面摘一段win XP区域和语言选项“对话框里面关于本地语言的说明文字：这个设置启动某些非Unicode程序以便用母语显示菜单和对话。这不会影响到Unicode的程序“以上都是背景资料，也就是说都是废话-_-
  
在linux下mount东西的时候，只有在mount和m$有关的东西的时候才需要设置codepage。最典型的就是fat。joliet格式的
CDROM可能也要，但是我不用cd好多年，哪位帮忙确认一下……还有就是smbfs，在samba server端配置好dos
charset参数，然后mount的时候codepage写成跟server一样即可。关于samba，跑题一句，其实doscharset参数在用
smbclient访问的时候根本不用设，因为新的客户端（win2000,xp）都用unicode通信，这个参数只对使用codepage的
dos，9x有效，但是因为smbmount也使用codepage，所以……codepage设置以后起的作用是用来在读写文件系统时进行编码与解码。
因为在linux内部表示字符串的时候也是用unicode的，这里存在一次unicode到本地字符集之间的转换。
    以上是关于codepage的部分，下面是iocharset部分
    iocharset比较简单，它只与显示输出有关。这里不得不提起locale，因为locale
控制了软件关于输入输出的很多细节。可以分别配置locale的每个选项，但是这跟我现在要说的没多大关系，所以我假设只配置LANG或者
LC_ALL。说了那么多废话，其实iocharset控制的就是系统内部unicode表示到显示输出的表示间的转换。也就是说，iocharset要
与你使用的locale匹配，否则显示乱码那是理所当然的了。
    总结一下：
  
文件系统编码内部unicode表示显示输出编码其
实上面说那么多都是废话。最王道的办法应该是把locale设成utf8(zh_CN.UTF-8或者en_US.UTF-8随便)
，然后在mount fat或者nfts的时候用一个-o
utf8参数，整个世界都清静了。codepage？iocharset？那是啥？不过话又说回来locale设成utf8有一点不好的地方，如果文件内
容是用本地语言编码的，而且软件不支持编码转换的话，可能会无法正常显示。但是这种情况使用gb2312或者gbk也不能完全避免，只是发生的概率要小一
些罢了。实际上即使在utf8下我也只碰到过一个实例：xmms不能处理某些mp3的标签，因为ID3V1是用bgk编码的,所以我单独用bgk编码启动
xmms～～
文章引用自：
http://blog.sina.com.cn/s/blog_4b807d53010006wj.html
---------------------------------------------------------------------------------------
这篇也可以参考:
http://blog.csdn.net/lesterjames/archive/2005/09/28/491619.aspx

[color="#ff0000"]******************************************************************
[color="#ff0000"]******************************************************************
再接着拓展一下知识面吧,看看各种字符的编码吧!发现有了网络真的很方便.不过找找资料,发现字符编码资料是很多,也有些乱.很多还好象有点矛盾.发现这篇比较合我的胃口,既然花了时间了,就记下吧;
字符编码笔记：ASCII，Unicode和UTF-8
文章出处: http://www.ruanyifeng.com/blog/2007/10/ascii_unicode_and_utf-8.html
1. ASCII码
我们知道，在计算机内部，所有的信息最终都表示为一个二进制的字符串。每一个二进制位（bit）有0和1两种状态，因此八个二进制位就可以组合出
256种状态，这被称为一个字节（byte）。也就是说，一个字节一共可以用来表示256种不同的状态，每一个状态对应一个符号，就是256个符号，从
0000000到11111111。
上个世纪60年代，美国制定了一套字符编码，对英语字符与二进制位之间的关系，做了统一规定。这被称为ASCII码，一直沿用至今。
ASCII码一共规定了128个字符的编码，比如空格“SPACE”是32（二进制00100000），大写的字母A是65（二进制01000001）。这128个符号（包括32个不能打印出来的控制符号），只占用了一个字节的后面7位，最前面的1位统一规定为0。
2、非ASCII编码
英语用128个符号编码就够了，但是用来表示其他语言，128个符号是不够的。比如，在法语中，字母上方有注音符号，它就无法用ASCII码表示。
于是，一些欧洲国家就决定，利用字节中闲置的最高位编入新的符号。比如，法语中的é的编码为130（二进制10000010）。这样一来，这些欧洲国家使
用的编码体系，可以表示最多256个符号。
但是，这里又出现了新的问题。不同的国家有不同的字母，因此，哪怕它们都使用256个符号的编码方式，代表的字母却不一样。比如，130在法语编码
中代表了é，在希伯来语编码中却代表了字母Gimel
(?)，在俄语编码中又会代表另一个符号。但是不管怎样，所有这些编码方式中，0—127表示的符号是一样的，不一样的只是128—255的这一段。
至于亚洲国家的文字，使用的符号就更多了，汉字就多达10万左右。一个字节只能表示256种符号，肯定是不够的，就必须使用多个字节表达一个符号。
比如，简体中文常见的编码方式是GB2312，使用两个字节表示一个汉字，所以理论上最多可以表示256x256=65536个符号。
中文编码的问题需要专文讨论，这篇笔记不涉及。这里只指出，虽然都是用多个字节表示一个符号，但是GB类的汉字编码与后文的Unicode和UTF-8是毫无关系的。
3.Unicode
正如上一节所说，世界上存在着多种编码方式，同一个二进制数字可以被解释成不同的符号。因此，要想打开一个文本文件，就必须知道它的编码方式，否则用错误的编码方式解读，就会出现乱码。为什么电子邮件常常出现乱码？就是因为发信人和收信人使用的编码方式不一样。
可以想象，如果有一种编码，将世界上所有的符号都纳入其中。每一个符号都给予一个独一无二的编码，那么乱码问题就会消失。这就是Unicode，就像它的名字都表示的，这是一种所有符号的编码。
Unicode当然是一个很大的集合，现在的规模可以容纳100多万个符号。每个符号的编码都不一样，比如，U+0639表示阿拉伯字母Ain，U+0041表示英语的大写字母A，U+4E25表示汉字“严”。具体的符号对应表，可以查询
[color="#000000"]unicode.org
，或者专门的
[color="#000000"]汉字对应表
。
4. Unicode的问题
需要注意的是，Unicode只是一个符号集，它只规定了符号的二进制代码，却没有规定这个二进制代码应该如何存储。
比如，汉字“严”的unicode是十六进制数4E25，转换成二进制数足足有15位（100111000100101），也就是说这个符号的表示至少需要2个字节。表示其他更大的符号，可能需要3个字节或者4个字节，甚至更多。
这里就有两个严重的问题，第一个问题是，如何才能区别unicode和ascii？计算机怎么知道三个字节表示一个符号，而不是分别表示三个符号
呢？第二个问题是，我们已经知道，英文字母只用一个字节表示就够了，如果unicode统一规定，每个符号用三个或四个字节表示，那么每个英文字母前都必
然有二到三个字节是0，这对于存储来说是极大的浪费，文本文件的大小会因此大出二三倍，这是无法接受的。
它们造成的结果是：1）出现了unicode的多种存储方式，也就是说有许多种不同的二进制格式，可以用来表示unicode。2）unicode在很长一段时间内无法推广，直到互联网的出现。
5.UTF-8
互联网的普及，强烈要求出现一种统一的编码方式。UTF-8就是在互联网上使用最广的一种unicode的实现方式。其他实现方式还包括UTF-16和UTF-32，不过在互联网上基本不用。重复一遍，这里的关系是，UTF-8是Unicode的实现方式之一。
UTF-8最大的一个特点，就是它是一种变长的编码方式。它可以使用1~4个字节表示一个符号，根据不同的符号而变化字节长度。
UTF-8的编码规则很简单，只有二条：
1）对于单字节的符号，字节的第一位设为0，后面7位为这个符号的unicode码。因此对于英语字母，UTF-8编码和ASCII码是相同的。
2）对于n字节的符号（n>1），第一个字节的前n位都设为1，第n+1位设为0，后面字节的前两位一律设为10。剩下的没有提及的二进制位，全部为这个符号的unicode码。
下表总结了编码规则，字母x表示可用编码的位。
[color="#4169e1"]Unicode符号范围 | UTF-8编码方式
(十六进制) | （二进制）
--------------------+---------------------------------------------
0000 0000-0000 007F | 0xxxxxxx
0000 0080-0000 07FF | 110xxxxx 10xxxxxx
0000 0800-0000 FFFF | 1110xxxx 10xxxxxx 10xxxxxx
0001 0000-0010 FFFF | 11110xxx 10xxxxxx 10xxxxxx 10xxxxxx
下面，还是以汉字“严”为例，演示如何实现UTF-8编码。
已知“严”的unicode是4E25（100111000100101），根据上表，可以发现4E25处在第三行的范围内（0000
0800-0000 FFFF），因此“严”的UTF-8编码需要三个字节，即格式是“1110xxxx 10xxxxxx
10xxxxxx”。然后，从“严”的最后一个二进制位开始，依次从后向前填入格式中的x，多出的位补0。这样就得到了，“严”的UTF-8编码是
“11100100 10111000 10100101”，转换成十六进制就是E4B8A5。
6. Unicode与UTF-8之间的转换
通过上一节的例子，可以看到“严”的Unicode码是4E25，UTF-8编码是E4B8A5，两者是不一样的。它们之间的转换可以通过程序实现。
在Windows平台下，有一个最简单的转化方法，就是使用内置的记事本小程序Notepad.exe。打开文件后，点击“文件”菜单中的“另存为”命令，会跳出一个对话框，在最底部有一个“编码”的下拉条。
里面有四个选项：ANSI，Unicode，Unicode big endian 和 UTF-8。
1）ANSI是默认的编码方式。对于英文文件是ASCII编码，对于简体中文文件是GB2312编码（只针对Windows简体中文版，如果是繁体中文版会采用Big5码）。
2）Unicode编码指的是UCS-2编码方式，即直接用两个字节存入字符的Unicode码。这个选项用的little endian格式。
3）Unicode big endian编码与上一个选项相对应。我在下一节会解释little endian和big endian的涵义。
4）UTF-8编码，也就是上一节谈到的编码方法。
选择完”编码方式“后，点击”保存“按钮，文件的编码方式就立刻转换好了。
7. Little endian和Big endian
上一节已经提到，Unicode码可以采用UCS-2格式直接存储。以汉字”严“为例，Unicode码是4E25，需要用两个字节存储，一个字节
是4E，另一个字节是25。存储的时候，4E在前，25在后，就是Big endian方式；25在前，4E在后，就是Little endian方式。
这两个古怪的名称来自英国作家斯威夫特的《格列佛游记》。在该书中，小人国里爆发了内战，战争起因是人们争论，吃鸡蛋时究竟是从大头(Big-
Endian)敲开还是从小头(Little-Endian)敲开。为了这件事情，前后爆发了六次战争，一个皇帝送了命，另一个皇帝丢了王位。
因此，第一个字节在前，就是”大头方式“（Big endian），第二个字节在前就是”小头方式“（Little endian）。
那么很自然的，就会出现一个问题：计算机怎么知道某一个文件到底采用哪一种方式编码？
Unicode规范中定义，每一个文件的最前面分别加入一个表示编码顺序的字符，这个字符的名字叫做”零宽度非换行空格“（ZERO WIDTH NO-BREAK SPACE），用FEFF表示。这正好是两个字节，而且FF比FE大1。
如果一个文本文件的头两个字节是FE FF，就表示该文件采用大头方式；如果头两个字节是FF FE，就表示该文件采用小头方式。
8. 实例
下面，举一个实例。
打开”记事本“程序Notepad.exe，新建一个文本文件，内容就是一个”严“字，依次采用ANSI，Unicode，Unicode big endian 和 UTF-8编码方式保存。
然后，用文本编辑软件
[color="#000000"]UltraEdit中
的”十六进制功能“，观察该文件的内部编码方式。
1）ANSI：文件的编码就是两个字节“D1 CF”，这正是“严”的GB2312编码，这也暗示GB2312是采用大头方式存储的。
2）Unicode：编码是四个字节“FF FE 25 4E”，其中“FF FE”表明是小头方式存储，真正的编码是4E25。
3）Unicode big endian：编码是四个字节“FE FF 4E 25”，其中“FE FF”表明是大头方式存储。
4）UTF-8：编码是六个字节“EF BB BF E4 B8 A5”，前三个字节“EF BB BF”表示这是UTF-8编码，后三个“E4B8A5”就是“严”的具体编码，它的存储顺序与编码顺序是一致的
               
               
               

本文来自ChinaUnix博客，如果查看原文请点：http://blog.chinaunix.net/u2/86768/showart_2103474.html