Ruby 编码 ASCII_8BIT 和扩展 ASCII答案

【问题标题】：Ruby encoding ASCII_8BIT and extended ASCIIRuby 编码 ASCII_8BIT 和扩展 ASCII
【发布时间】：2020-01-19 21:37:35
【问题描述】：

关于`ASCII_8BIT`

Encoding::ASCII_8BIT 是一种特殊编码，通常用于字节串，而不是字符串。但顾名思义，它在 ASCII 范围内的字符被视为 ASCII 字符。当您将 ASCII-8BIT 字符与其他 ASCII 兼容字符一起使用时，这很有用。

来源：ruby-doc.org/core-2.6.4

上下文

我想使用 ASCII_8BIT 因为我需要对 0x00 (0d00) 和 0xff (0d255) 之间的所有字符进行编码，所以 ASCII (0-127) 加上扩展的 ASCII (128-255)。 ASCII（编码，US-ASCII）是一种 7 位编码，仅识别 ASCII（字符集）字符 (0-127)。顾名思义，我期待 ASCII_8BIT 将其扩展到 8 位以增加对 128-255 的支持。

问题

当我使用 chr 时，编码会自动设置为 ASCII_8BIT 但是当我将 128-255 (0x80-0xff) 之间的字符直接放入字符串中时，然后询问我得到 UTF-8 的编码是什么，如果我尝试将其转换为 ASCII_8BIT 时出错。

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 内核中是否存在错误？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，因为如前所述，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

请告诉我使用另一种编码不是问题的答案，除非它是真正映射所有 255 个扩展 ASCII 字符的编码。

我不想使用 UTF-8，因为编码是多字节而不是单字节。
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着方式是字符位置 128 到 159，对应于具有高位集的 ASCII 控制字符，在 ISO 标准中特别未使用和未定义，尽管它们有通常用于专有代码页中的可打印字符，这违反了几乎普遍的 ISO 标准。参考。 Extended ASCII- ISO 8859 and proprietary adaptations
Windows-1252（CP-1252，8 位）不包含所有 255 个字符，并且作为扩展 ASCII 的不同映射

ruby 中可用的编码：

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"]

用于比较python编码https://docs.python.org/3/library/codecs.html#standard-encodings

注意事项

通过阅读Extended ASCII - Multi-byte character encodings，似乎唯一真正的扩展 ASCII 编码是 UTF-8，但它是 Multi-byte 。似乎也不存在真正的扩展 ASCII 单字节编码。

从字节的角度来看，我可以使用任何 8 位（单字节）编码，如此处所述Extended ASCII - Usage in computer-readable languages

所有 ASCII 字节（0x00 到 0x7F）在扩展 ASCII 的所有变体中都具有相同的含义，

但问题是，像 ISO-8859-1 这样的实现特别未定义一些字符范围，因此会以错误结束。

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

我找到了字符串方法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 有什么危险？是否只是如果我不小心传递了一个多字节字符，它将被转换为多个单字节字符？因此，如果确保传递给应用程序的所有字符都在扩展的 ASCII 范围内（单字节）但不安全并且如果某些 UTF-8 字符传递给应用程序将导致静默转换问题，那么这并不危险。

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 的评论暗示我应该使用pack 和unpack 来处理原始字节。

因此，与其使用编码和解决方法

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*')

或者这样更容易阅读的语法

pattern = 'A'.bytes * 2606 + "\x8F\x35\x4A\x5F".bytes + 'C'.bytes * 390
pattern = pattern.pack('C*')

【问题讨论】：

你在处理什么样的数据？ ASCII_8BIT 实际上不是一种编码，它更像是一种非编码，并且没有“扩展的 ASCII 字符”，它们是 not defined formally。 DOS ANSI (codepage 437) 是众多 8 位编码之一，Latin-1、Windows-1252 等也是如此。您的源数据采用哪种格式？如果您处理的是原始二进制数据，答案是BINARY，默认情况下会转换为ASCII_8BIT，或者换句话说，它会保留字节并且不进行转换。
@tadman 没有一个。我正在为某些网络协议操作原始 TCP 套接字，并且我想发送原始字节。因此，我想要一个适当的扩展 ASCII 编码，以确保当我发送 0x8f 或其他任何内容时，我真正发送的是 0x8f 而不是多个字节，因为我在使用 UTF-8 时可能会出现这种情况（这是我提供扩展时的默认设置）字符串中的 ASCII 字符）或任何其他多字节编码。
force_encoding 只是强制 Ruby 以不同方式解释相同的确切数据，所有数据都保持不变，只是看起来不同。 encode实际上是对数据进行转换，返回不同的数据。
@ForeverZer0 所以，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) 以确保发送原始字节而不是发送转换后的多字节，例如，如果编码有其他情况自动设置为 UTF-8。
@noraj 最好的方法就是使用pack 和unpack 来确保你得到原始二进制数据，而不是尝试使用编码。 Ruby 使用字符串来表示原始数据通常很方便，但可以使某些用例（例如您的用例）更加细微。

标签： ruby encoding extended-ascii

【解决方案1】：

字符串文字（通常）是 UTF-8 编码的，无论字节是否是有效的 UTF-8。因此：

"\x8f".encoding

即使字符串不是有效的 UTF-8，也要说 UTF-8。使用String#force_encoding 应该是安全的，但如果你真的想使用原始字节，你可能会更好地使用整数数组并使用Array#pack 将它们混合成字符串：

[ 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，IMO，这是明确使用二进制数据（即原始字节），使您的意图清晰，并且应该避免任何编码问题。

还有String#unpack，如果你正在读取的字节有一个已知的结构并且你想破解它。

【讨论】：

所以与其使用ruby pattern = 'A' * 2606 + "\x8F\x35\x4A\x5F" + 'C' * 390; pattern.force_encoding(Encoding::ASCII) ，不如使用ruby pattern = ['A'.ord] * 2606 + [0x8F, 0x35, 0x4A, 0x5F] + ['C'.ord] * 390; pattern.pack('C*')
这主要是一个品味问题（但我会说 force_encoding('binary') 只是为了明确）但如果我使用字节，那么我会使用 pack。

【解决方案2】：

如果您正在执行原始数据包操作，那么所有内容都必须处于 BINARY / ASCII_8BIT 模式，因为它不是文本，不应被视为这样。如果您有除此之外的任何编码，Ruby 会尝试对其进行转换，这在最好的情况下会严重破坏二进制数据，在最坏的情况下会因为转换错误而崩溃。

在 Ruby 术语中，ASCII_8BIT 实际上是一个原始数据缓冲区。

代码中字符串的默认编码是 UTF-8：

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

您可以使用 # encoding: BINARY 为每个文件的内联字符串设置 Ruby 编码：

# encoding: BINARY

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

使用像pack 这样的工具来表达二进制数据通常会更好，正如 mu 指出的那样，你不会弄错，而且你一开始并没有真正使用字符串。这一点非常重要，因为 8 位值很容易处理，但 16 位和 32 位值必须正确地进行字节序编码，因此您经常会看到很多这样的情况：

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

这构成了一个涉及两个 16 位值的 DNS 标头。