原文地址：http://www.joelonsoftware.com/articles/Unicode.html
作者：Joel Spolsky
譯文：http://local.joelonsoftware.com/wiki/Talk:Chinese_(Simplified)
每個程序員都絕對必須知道的關(guān)于字符集和Unicode的那點兒事（別找借口?。?/SPAN>
Unicode與字符集
你曾經(jīng)是否覺得HTML中的”Content-Type”標(biāo)簽充滿神秘？雖然你知道這個東西必須出現(xiàn)在HTML中，但對于它到底干嗎你可能一無所知。
你是否曾經(jīng)收到過來自你保加利亞朋友的郵件，到處都是”???? ?????? ??? ????”?
我很失望，因為我發(fā)現(xiàn)許多軟件開發(fā)人員到現(xiàn)在為止都還沒有對字符集、編碼、Unicode有一個清晰的認(rèn)識，這是個事實。幾年前，在測試FogBUGZ項目時，忽然想看看它能不能接收用日文寫的電子郵件。這個世界上會有人用日文寫電子郵件？我不知道。測試結(jié)果很糟糕。我仔細(xì)看了用來解析MIME (Multipurpose Internet Mail Extenisons)格式的郵件所用的ActiveX控件，發(fā)現(xiàn)了它在字符集上面做的蠢事。于是我們不得不重新寫一段代碼，先消除Active控件的錯誤，然后再完成正確的轉(zhuǎn)換。類似的事情在我研究另一個商業(yè)庫的時候同樣發(fā)生了，這個庫關(guān)于字符編碼這部分的實現(xiàn)簡直糟透了。我找到它的開發(fā)者，把存在問題的包指給他，他卻表示對于此無能為力。像很多程序員一樣，他只希望這個缺陷會被人們遺忘。
事實并非如他所愿。因為我發(fā)現(xiàn)，像PHP這么流行的網(wǎng)頁開發(fā)工具，竟然在實現(xiàn)上也完全忽略了多種字符編碼的存在（譯者注：這篇文章寫于2003年，現(xiàn)在的 PHP可能已經(jīng)糾正了這個問題吧），盲目地只使用8個比特來表示字符，于是開發(fā)優(yōu)秀的國際化的Web應(yīng)用程序變成了一場夢。我想說，受夠了。
我申明：在2003年，如果你是一個程序員，但你卻對字符、字符集、編碼和Unicode一無所知，那么你別讓我抓到你。如果落在我手里，我會讓你待在潛水艇里剝六個月的洋蔥，我發(fā)誓。
另外，還有一件事：
在這篇文章里，我所講的是每一個工作中的程序員都應(yīng)該知道的知識。所有以為”純文本 = ASCII碼 = 一個字符就是8比特”的人不單單錯了，而且錯得離譜。如果你仍然堅持使用這種方式編寫程序，那么你比一個不相信細(xì)菌的存在醫(yī)生好不到哪里去。所以在你讀完這篇文章以前，不要再寫半行代碼。
在我開始之前，必須說明白，如果你已經(jīng)了解了國際化，可能你會覺得這篇文章過于簡單。沒錯，我的的確確是想架一座最短的橋，讓任何人都可以理解發(fā)生了什么事，懂得如何寫出可以在非英文語言環(huán)境是正常工作的代碼。還得指出，字符處理僅僅是軟件國際化中的一小部分，但一口吃不成個胖子，今天我們只看什么是字符集。
歷史回顧
可能你以為我要開始談非常古老的字符集如EBCDIC之類的，實際上我不會。EBCDIC與你的生活無關(guān)，我們不需要回到那么遠(yuǎn)。
回到一般遠(yuǎn)就行了。當(dāng)Unix剛出來的時候，K&R寫了《The C Programming Language》一書，那時一切都很簡單。EBCDIC已經(jīng)慚慚不用，因為需要表示的字符只有那些不帶重音的英文字母，ASCII完全可以勝任。ASCII使用數(shù)字32到 127來表示所有的英文字母，比如空格是32，字母”A”是65等等。使用7個比特就可以存儲所有這樣字符。那個時代的大多數(shù)計算機(jī)使用8個比特來，所以你不但可以存儲全部的ASCII，而且還有一個比特可以多出來用作其他。如果你想，你可以把它用作你不可告人的目的。32以下的碼字是不可打印的，它們屬于控制字符，像7表示響鈴，12表示打印機(jī)換紙。
所有的一切都看起來那么完美，當(dāng)然前提你生在一個講英文的國家。
因為一個字節(jié)有8個比特，而現(xiàn)在只用了7個，于是很多人就想到”對呀，我們可以使用128-255的碼字來表示其他東西”。麻煩來了，這么多人同時出現(xiàn)了這樣的想法，而且將之付諸實踐。于是IBM-PC上多了一個叫OEM字符集的東西，它包括了一些在歐洲語言中用到的重音字符，還有一些畫圖的字符，比如水平線、垂直線等，水平線在右端會帶一個小彎鉤，垂直線會如何等等。使用這些畫圖字符你可以畫出漂亮的框、畫出光滑的線條，在老式的烘干機(jī)上的8088電腦上你依然可以看到這些字符。事實上，當(dāng)PC在美國之外的地方開始銷售的時候，OEM字符集就完全亂套了，所有的廠商都開始按照自己的方式使用高128個碼字。比如在有些PC上，130表示é，而在另外一些在以色列出售的計算機(jī)上，它可能表示的是希伯來字母ג，所以當(dāng)美國人把包含résumés這樣字符的郵件發(fā)到以色列時，就為變?yōu)閞גsumגs。在大多數(shù)情況下，比如俄語中，高128個碼字可能用作其他更多的用途，那么你如何保證俄語文檔的可靠性呢？
最終ANSI標(biāo)準(zhǔn)結(jié)束了這種混亂。在標(biāo)準(zhǔn)中，對于低128個碼字大家都無異議，差不多就是ASCII了，但對于高128個碼字，根據(jù)你所在地的不同，會有不同的處理方式。我們稱這樣相異的編碼系統(tǒng)為碼頁(code pages)。舉個例子，比如在以色列發(fā)布的DOS中使用的碼頁是862，而在希臘使用的是737。它們的低128個完全相同，但從128往上，就有了很大差別。MS-DOS的國際版有很多這樣的碼頁，涵蓋了從英語到冰島語各種語言，甚至還有一些”多語言”碼頁。但是還得說，如果想讓希伯來語和希臘語在同一臺計算機(jī)上和平共處，基本上沒有可能。除非你自己寫程序，程序中的顯示部分直接使用位圖。因為希伯來語對高128個碼字的解釋與希臘語壓根不同。
同時，在亞洲，更瘋狂的事情正在上演。因為亞洲的字母系統(tǒng)中要上千個字母，8個比特?zé)o論如何也是滿足不了的。一般的解決方案就是使用DBCS- “雙字節(jié)字符集”，即有的字母使用一個字節(jié)來表示，有的使用兩個字節(jié)。所以處理字符串時，指針移動到下一個字符比較容易，但移動到上一個字符就變得非常危險了。于是s++或s–不再被鼓勵使用，相應(yīng)的比如Windows下的AnsiNext和AnsiPrev被用來處理這種情況。
可惜，不少人依然堅信一個字節(jié)就是一個字符，一個字符就是8個比特。當(dāng)然，如果你從來都沒有試著把一個字符串從一臺計算機(jī)移到另一臺計算機(jī)，或者你不用說除英文以外的另一種語言，那么你的堅信不會出問題。但是互聯(lián)網(wǎng)出現(xiàn)讓字符串在計算機(jī)間移動變得非常普遍，于是所有的混亂都爆發(fā)了。非常幸運，Unicode適時而生。
Unicode
Unicode 是一個勇敢的嘗試，它試圖用一個字符集涵蓋這個星球上的所有書寫系統(tǒng)。一些人誤以為Unicode只是簡單的使用16比特的碼字，也就是說每一個字符對應(yīng) 16比特，總共可以表示65536個字符。這是完全不正確的。不過這是關(guān)于Unicode的最普遍的誤解，如果你也這樣認(rèn)為，不用感到不好意思。
事實上，Unicode使用一種與之前系統(tǒng)不同的思路來考慮字符，如果你不能理解這種思路，那其他的也就毫無意義了。
到現(xiàn)在為止，我們的做法是把一個字母映射到幾個比特，這些比特可以存儲在磁盤或者內(nèi)存中。
A -> 0100 0001
在Unicode中，一個字母被映射到一個叫做碼點(code point)的東西，這個碼點可以看作一個純粹的邏輯概念。至于碼點(code point)如何在內(nèi)存或磁盤中存儲是另外的一個故事了。
在Unicode中，字母A可看做是一個柏拉圖式的理想，僅存在于天堂之中：（我的理解是字母A就是一個抽象，世界上并不存在這樣的東西，如果數(shù)學(xué)里面的0、1、2等一樣）
這個柏拉圖式的A與B不同，也與a不同，但與A和A相同。這個觀點就是Times New Roman字體中的A與Helvetica字體中的A相同，與小寫的”a”不同，這個應(yīng)該不會引起太多的異議。但在一些語言中，如何辨別一個字母會有很大的爭議。比如在德語中，字母 ß是看做一個完整的字母，還是看做ss的一種花式寫法？如果在一個字母的形狀因為它處在一個單詞的末尾而略有改變，那還算是那個字母嗎？阿拉人說當(dāng)然算了，但希伯來人卻不這么認(rèn)為。但無論如何，這些問題已經(jīng)被Unicode委員會的這幫聰明人給解決了，盡管這花了他們十多年的時間，盡管其中涉及多次政治味道很濃的辯論，但至少現(xiàn)在你不用再為這個操心了，因為它已經(jīng)被解決。
每一個字母系統(tǒng)中的每一個柏拉圖式的字母在Unicode中都被分配了一個神奇的數(shù)字，比如像U+0639。這個神奇數(shù)字就是前面提到過的碼點(code point)。U+的意思就是”Unicode”，后面跟的數(shù)字是十六進(jìn)制的。U+0639表示的是阿拉伯字母Ain。英文字母A在Unicode中的表示是U+0041。你可以使用Windows 2000/XP自帶的字符表功能或者Unicode的官方網(wǎng)站(www.unicode.org)來查找與字母的對應(yīng)關(guān)系。
事實上Unicode可以定義的字符數(shù)并沒有上限，而且現(xiàn)在已經(jīng)超過65536了。顯然，并不是任何Unicode字符都可以用2個字節(jié)來表示了。
舉個例子，假設(shè)我們現(xiàn)在有一個字符串：
在Unicode中，對應(yīng)的碼點(code point)如下：
瞧，僅僅是一堆碼點而已，或者說數(shù)字。不過到現(xiàn)在為止，我們還沒有說這些碼點究竟是如何存儲到內(nèi)存或如何表示在email信息中的。
