Ruby编码ASCII_8BIT和扩展ASCII

Question

关于ASCII_8BIT

Encoding :: ASCII_8BIT是一种特殊的编码，通常用于字节字符串，而不是字符串。 但是，顾名思义，其在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。

资料来源： ruby-doc.org/core-2.6.4

语境

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，因此ASCII（0-127）加上扩展的ASCII（128-255）。 ASCII（编码，US-ASCII）是一种7位编码，只能识别ASCII（字符集）字符（0-127）。 顾名思义，我期望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，但是当我放入时，我直接将128-255（0x80-0xff）之间的一个字符放在字符串中，然后询问我使用的是UTF-8编码是什么，以及是否尝试将其转换为ASCII_8BIT会出错。

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>

红宝石核心中是否存在错误？ 我需要能够编码8之间的所有内容

ASCII 8BIT的另一个名称是BINARY，因为如前一个引号所述，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

请告诉我使用其他编码不是该问题的答案，除非它是一种确实映射了所有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（拉丁文1位，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种值得注意的方式是，尽管ISO字符集经常使用，但对应于具有高位位集的ASCII控制字符的字符位置128至159在ISO标准中并未特别使用和未定义专有代码页中的可打印字符，几乎打破了通用的ISO标准。 参考 扩展的ASCII- ISO 8859和专有的修改

• Windows-1252（CP-1252，8bits）不包含所有255个字符，并且不包含ASCII扩展名

红宝石可用的编码：

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"]

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

注意事项

通过阅读扩展ASCII多字节字符编码 ，似乎唯一真正的扩展ASCII编码是UTF-8，但是是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，我可以使用这里所说的任何8位（单字节）编码扩展的ASCII-在计算机可读语言中的用法

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

但是问题在于，像ISO-8859-1这样的实现专门未定义某些char范围，因此将以错误结尾。

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>

什么是使用的危险force_encoding而非encode ？ 仅仅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吗？ 因此，如果可以确保传递给应用程序的所有字符都在扩展的ASCII范围（单字节）中，但是不安全，并且例如将某些UTF-8字符传递给应用程序，将导致无提示转换问题，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-答案

@ mu-is-too-short的答案和@ ForeverZer0注释表明，我宁愿使用pack和unpack来处理原始字节。

因此，与其使用编码和变通方法

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*')

或者这更易于阅读的语法

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

Answer 1

字符串字面量（通常）是UTF-8编码的，与字节是否有效的UTF-8无关。 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，但是如果您真的想使用原始字节，则最好使用整数数组并使用Array#pack将它们混搭为字符串：

[ 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，IMO，这是显式地使用二进制数据（即原始字节），使您的意图明确，并且应该避免任何编码问题。

如果正在读取的字节有已知的结构，并且您想将其破解，则还有String#unpack 。

Answer 2

如果您正在执行原始数据包操作，则所有内容都必须处于BINARY / ASCII_8BIT模式，因为它不是文本 ，因此不应被视为此类。 如果您有其他编码方式，Ruby将尝试对其进行转换，在最佳情况下，它将严重破坏二进制数据，在最坏情况下，由于转换错误而导致崩溃。

用Ruby术语来说， ASCII_8BIT实际上是原始数据缓冲区。

代码中字符串的默认编码为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>

正如mu指出的那样，通常最好使用pack工具来表示二进制数据，在这种情况下，您不会出错并且一开始就没有真正使用字符串。 这很重要，因为8位值易于处理，但是16位和32位值必须正确地进行端序编码，因此您经常会看到很多这样的情况：

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

这是组成一个包含两个16位值的DNS标头的地方。