logo标签列表

Ruby编码ASCII_8BIT和扩展ASCII

rubyencodingextended-ascii
5

关于 ASCII_8BIT

Encoding::ASCII_8BIT 是一种特殊的编码方式，通常用于字节串而不是字符串。但正如名称所示，它的ASCII字符范围内的字符被认为是ASCII字符。当您使用ASCII-8BIT字符与其他兼容ASCII字符时，这将非常有用。

来源: ruby-doc.org/core-2.6.4

背景

我想使用 ASCII_8BIT，因为我需要编码介于0x00（0d00）和0xff（0d255）之间的所有字符，即ASCII（0-127）加扩展ASCII（128-255）。 ASCII（编码方式，US-ASCII）是一种7位编码方式，仅识别ASCII（字符集）字符（0-127）。正如名称所示，我原本期望 ASCII_8BIT 将其扩展为 8 位以添加对 128-255 的支持。

问题

当我使用 chr 时，编码会自动设置为 ASCII_8BIT，但当我直接在字符串中放置一个介于128-255（0x80-0xff）之间的字符，然后询问编码是什么时，我得到的是 UTF-8，如果我尝试将其转换为 ASCII_8BIT 则会出现错误。

irb(main):014:0> 0x8f.chr
=> "\x8F"
irb(main):015:0> 0x8f.chr.encoding
=> #<Encoding:ASCII-8BIT>
irb(main):016:0> "\x8f".encode(Encoding::ASCII_8BIT)
Traceback (most recent call last):
        5: from /usr/bin/irb:23:in `<main>'
        4: from /usr/bin/irb:23:in `load'
        3: from /usr/lib/ruby/gems/2.6.0/gems/irb-1.0.0/exe/irb:11:in `<top (required)>'
        2: from (irb):16
        1: from (irb):16:in `encode'
Encoding::InvalidByteSequenceError ("\x8F" on UTF-8)
irb(main):021:0> "\x8F".encoding
=> #<Encoding:UTF-8>

Ruby核心有bug吗？我需要能够对8之间的所有内容进行编码。

ASCII 8BIT的另一个名称是BINARY，因为正如前面的引用所述，它应该能够编码任何字节。 

irb(main):035:0> Encoding::ASCII_8BIT.names
=> ["ASCII-8BIT", "BINARY"]

其他编码方式

只是告诉我使用其他编码方式并不是问题的答案，除非它能真正映射所有255个扩展ASCII字符。

  • 我不想使用UTF-8，因为它是多字节而不是单字节编码。
  • ISO/IEC 8859-1（Latin1，8位）仅包含191个字符（ASCII + 63个字符）

    ISO字符集与代码页不同的一个显著区别在于，ISO标准中128至159号字符位置，即高阶位设置为ASCII控制字符的位置明确未使用和未定义，虽然它们经常被用于专有代码页中可打印的字符，这是违反ISO标准的行为几乎是普遍的。参考文献：扩展ASCII - ISO 8859和专有适配

  • Windows-1252（CP-1252，8位）并不包含所有255个字符，而且与扩展ASCII有不同的映射。

Ruby中提供的编码方式:

irb(main):036:0> Encoding.name_list
=> ["ASCII-8BIT", "UTF-8", "US-ASCII", "UTF-16BE", "UTF-16LE", "UTF-32BE", "UTF-32LE", "UTF-16", "UTF-32", "UTF8-MAC", "EUC-JP", "Windows-31J", "Big5", "Big5-HKSCS", "Big5-UAO", "CP949", "Emacs-Mule", "EUC-KR", "EUC-TW", "GB2312", "GB18030", "GBK", "ISO-8859-1", "ISO-8859-2", "ISO-8859-3", "ISO-8859-4", "ISO-8859-5", "ISO-8859-6", "ISO-8859-7", "ISO-8859-8", "ISO-8859-9", "ISO-8859-10", "ISO-8859-11", "ISO-8859-13", "ISO-8859-14", "ISO-8859-15", "ISO-8859-16", "KOI8-R", "KOI8-U", "Shift_JIS", "Windows-1250", "Windows-1251", "Windows-1252", "Windows-1253", "Windows-1254", "Windows-1257", "BINARY", "IBM437", "CP437", "IBM737", "CP737", "IBM775", "CP775", "CP850", "IBM850", "IBM852", "CP852", "IBM855", "CP855", "IBM857", "CP857", "IBM860", "CP860", "IBM861", "CP861", "IBM862", "CP862", "IBM863", "CP863", "IBM864", "CP864", "IBM865", "CP865", "IBM866", "CP866", "IBM869", "CP869", "Windows-1258", "CP1258", "GB1988", "macCentEuro", "macCroatian", "macCyrillic", "macGreek", "macIceland", "macRoman", "macRomania", "macThai", "macTurkish", "macUkraine", "CP950", "Big5-HKSCS:2008", "CP951", "IBM037", "ebcdic-cp-us", "stateless-ISO-2022-JP", "eucJP", "eucJP-ms", "euc-jp-ms", "CP51932", "EUC-JIS-2004", "EUC-JISX0213", "eucKR", "eucTW", "EUC-CN", "eucCN", "GB12345", "CP936", "ISO-2022-JP", "ISO2022-JP", "ISO-2022-JP-2", "ISO2022-JP2", "CP50220", "CP50221", "ISO8859-1", "ISO8859-2", "ISO8859-3", "ISO8859-4", "ISO8859-5", "ISO8859-6", "Windows-1256", "CP1256", "ISO8859-7", "ISO8859-8", "Windows-1255", "CP1255", "ISO8859-9", "ISO8859-10", "ISO8859-11", "TIS-620", "Windows-874", "CP874", "ISO8859-13", "ISO8859-14", "ISO8859-15", "ISO8859-16", "CP878", "MacJapanese", "MacJapan", "ASCII", "ANSI_X3.4-1968", "646", "UTF-7", "CP65000", "CP65001", "UTF-8-MAC", "UTF-8-HFS", "UCS-2BE", "UCS-4BE", "UCS-4LE", "CP932", "csWindows31J", "SJIS", "PCK", "CP1250", "CP1251", "CP1252", "CP1253", "CP1254", "CP1257", "UTF8-DoCoMo", "SJIS-DoCoMo", "UTF8-KDDI", "SJIS-KDDI", "ISO-2022-JP-KDDI", "stateless-ISO-2022-JP-KDDI", "UTF8-SoftBank", "SJIS-SoftBank", "locale", "external", "filesystem", "internal"]

要进行比较的是Python编码，参考文献为https://docs.python.org/3/library/codecs.html#standard-encodings

考虑因素

通过阅读扩展ASCII-多字节字符编码，似乎唯一真正扩展ASCII编码是UTF-8，但它是多字节的。看起来也没有真正的单字节扩展ASCII编码存在。

从字节角度来看，可以使用任何8位（单字节）编码，如扩展ASCII-可用于计算机可读语言的用途中所说：

所有ASCII字节（0x00至0x7F）在所有扩展ASCII变体中具有相同的含义。

但问题在于像ISO-8859-1这样的实现特别未定义了某些字符范围，因此会导致错误。

irb(main):009:0> (0..255).map { |c| c.chr}.join.encode(Encoding::ISO_8859_1)
Traceback (most recent call last):
        6: from /usr/bin/irb:23:in `<main>'
        5: from /usr/bin/irb:23:in `load'
        4: from /usr/lib/ruby/gems/2.6.0/gems/irb-1.0.0/exe/irb:11:in `<top (required)>'
        3: from (irb):9
        2: from (irb):9:in `rescue in irb_binding'
        1: from (irb):9:in `encode'
Encoding::UndefinedConversionError ("\x80" to UTF-8 in conversion from ASCII-8BIT to UTF-8 to ISO-8859-1)

更新 - force_encoding

我发现了字符串方法force_encoding。

irb(main)> a = "\x8f"
=> "\x8F"
irb(main)> a.encoding
=> #<Encoding:UTF-8>
irb(main)> a.encode(Encoding::ASCII_8BIT)
Traceback (most recent call last):
        5: from /usr/bin/irb:23:in `<main>'
        4: from /usr/bin/irb:23:in `load'
        3: from /usr/lib/ruby/gems/2.6.0/gems/irb-1.0.0/exe/irb:11:in `<top (required)>'
        2: from (irb):42
        1: from (irb):42:in `encode'
Encoding::InvalidByteSequenceError ("\x8F" on UTF-8)
irb(main)> a.force_encoding(Encoding::ASCII_8BIT)
=> "\x8F"
irb(main):040:0> a.encoding
=> #<Encoding:ASCII-8BIT>

使用force_encoding而不是encode的危险在哪里？如果我意外传递了多字节字符，它只会转换为多个单字节字符吗？因此，如果确保所有传递给应用程序的字符都在扩展ASCII范围内（单字节），则不会有危险，但如果传递了一些UTF-8字符，则不安全并且会导致静默转换问题。
irb(main):044:0> "\ud087".force_encoding(Encoding::ASCII_8BIT)
=> "\xED\x82\x87"
irb(main):045:0> "\ud087".bytes
=> [237, 130, 135]

更新 - 回答

@mu-is-too-short的回答和@ForeverZer0的评论建议我应该使用pack和unpack来处理原始字节，而不是使用编码并通过它来解决问题。

因此，与其使用编码并绕过它，

pattern = 'A' * 2606 + "\x8F\x35\x4A\x5F" + 'C' * 390
pattern.force_encoding(Encoding::ASCII_8BIT)

我应该直接使用字节

pattern = ['A'.ord] * 2606 + [0x8F, 0x35, 0x4A, 0x5F] + ['C'.ord] * 390
pattern = pattern.pack('C*')

或者这种更易读的语法

pattern = 'A'.bytes * 2606 + "\x8F\x35\x4A\x5F".bytes + 'C'.bytes * 390
pattern = pattern.pack('C*')
1
你正在处理什么类型的数据？ASCII_8BIT实际上不是一种编码，它更像是一种非编码，也没有“扩展ASCII字符”，它们未被正式定义。DOS ANSI（代码页437）是众多8位编码之一，还有Latin-1、Windows-1252等。你的源数据是哪种格式？如果你正在处理原始二进制数据，答案是BINARY，默认情况下转换为ASCII_8BIT，或者换句话说，它保留字节并不进行任何转换。 - tadman
@tadman 没有一个。我正在操作原始TCP套接字以进行某些网络协议，并且我想发送原始字节。因此，我希望有一个适当的扩展ASCII编码，以确保当我发送0x8f或其他任何内容时，我确实发送了0x8f，而不是多个字节，这可能是在使用UTF-8（这是默认情况下提供字符串中的扩展ASCII字符时）或任何其他多字节编码时的情况。 - noraj
force_encoding 只是强制 Ruby 以不同的方式解释相同的数据，数据仍然保持不变，只是被以不同的方式查看。encode 实际上会转换数据并返回不同的数据。 - ForeverZer0
@ForeverZer0，到目前为止，最好的选择似乎是使用.force_encoding(Encoding::ASCII)或force_encoding(Encoding::ASCII_8BIT)来确保发送原始字节而不是转换多字节，例如如果编码本来会自动设置为UTF-8。 - noraj
3
实现这个的最佳方法就是使用pack和unpack函数来确保获取的是原始二进制数据，而不是尝试使用编码。Ruby通常使用字符串表示原始数据很方便，但会使某些用例（比如你的情况）变得更加微妙。 - ForeverZer0
2个回答
5

字符串文字通常是UTF-8编码的，无论字节是否有效。因此：

"\x8f".encoding

即使字符串不是有效的UTF-8，也要使用UTF-8。您可以安全地使用String#force_encoding，但如果您真的想使用原始字节，请最好使用整数数组并使用Array#pack将它们混合为字符串：

[ 0x8f, 0x11, 0x06, 0x23, 0xff, 0x00 ].pack('C*')
# "\x8F\x11\x06#\xFF\x00" 
[ 0x8f, 0x11, 0x06, 0x23, 0xff, 0x00 ].pack('C*').encoding
# #<Encoding:ASCII-8BIT> 
[ 0x8f, 0x11, 0x06, 0x23, 0xff, 0x00 ].pack('C*').bytes
# [143, 17, 6, 35, 255, 0]

结果应该是相同的，但是在我看来，这种方式明确地处理二进制数据（即原始字节），可以清晰地表达你的意图，并且应该避免任何编码问题。

如果要读取的字节有已知的结构并且想要打开它，还可以使用String#unpack方法。

所以，与其使用pattern = 'A' * 2606 + "\x8F\x35\x4A\x5F" + 'C' * 390; pattern.force_encoding(Encoding::ASCII)我应该使用pattern = ['A'.ord] * 2606 + [0x8F, 0x35, 0x4A, 0x5F] + ['C'.ord] * 390; pattern.pack('C*') - noraj
3
这主要是个人口味问题（但我建议使用force_encoding('binary')以明确表达），但如果处理字节的话，我会使用pack。 - mu is too short
3

如果你在进行原始数据包操作，那么所有的东西都必须处于BINARY / ASCII_8BIT模式，因为它不是文本，不能作为文本来处理。如果你使用除此之外的任何编码，Ruby将会尝试转换它，这将导致在最好的情况下严重破坏二进制数据，在最坏的情况下会由于转换错误而崩溃。

在 Ruby 中，ASCII_8BIT 实际上是一个原始数据缓冲区。

在你的代码中，字符串的默认编码是 UTF-8：

p "example".encoding
# => #<Encoding:UTF-8>

你可以使用# encoding: BINARY指定单个文件中内联字符串的Ruby编码：

# encoding: BINARY

p "example".encoding
# => #<Encoding:ASCII-8BIT>

通常最好使用像pack这样的工具来表示二进制数据，正如mu指出的那样，在这种情况下，您不会犯错，而且您根本没有在使用字符串。这是双倍重要的，因为处理8位值很容易，但必须正确地进行字节序编码才能处理16位和32位值，所以您经常会看到很多这样的代码：

header = pack('nn', qtype, qclass)

这里涉及到编写一个包含两个16位值的DNS头部。

网页内容由stack overflow 提供, 点击上面的
可以查看英文原文，
原文链接