BIMBOX | 空间基因：建筑信息编码简史（一）

今天开始，我们花上几期的时间，给你讲一个比较大的话题：建筑信息编码。

2018年5月1日《GBT 51269-2017 建筑信息模型分类和编码标准》正式执行，很多人还是有一肚子的问号。

● 编码到底是什么？能干什么用？

● 为什么一定要编码？用模型不行吗？

● 编码标准的执行和我有什么关系？未来会影响哪些领域？

即便是对编码稍有了解的人，也对它有两个比较深的误解：

这一个系列，我们就一步一步剥开建筑信息编码这个大洋葱，说清楚它到底是干什么用的，北美三大编码体系和英国的Uniclass是怎么回事，我国的编码体系是什么情况，新出的分类和编码标准该怎么使用，

最后还会说到，面对工程项目的编码需求，我们该使用什么样的工具来完成工作。

好了，废话不多说，BIMBOX开车了。

所谓编码，就是「用通用性的符号来简化某些含义」。人类的语言就是一种编码。

比如，「天上那个早上出来傍晚落下去的金色火球」，就是个很长的含义，英文世界用「sun」这个字母组合来表达它。

中国就用一个圆圈中间加个点来表达它，后来这个符号演化成汉语里的「日」字。

不同地区使用不同的语言，这在人类文明发展的几千年里都没有出现大问题，文明互相接触的时候可以互相学习对方的语言。一个人脑子里同时装下「太阳」、「Sun」、「お日さま」几个符号并不会出现混乱。

但到了计算机发明出来、人类进入数字化时代的时候，麻烦可就出现了。

当我们说建筑信息编码的时候，一个大前提就是用计算机来进行编码。换句话说，就是把自然语言编写成计算机可以读取的数据，这样的数据才能自动进行计算和分析。

所以要说清建筑信息编码，就得先用一期的内容来说说人类进入数字化时代碰到的麻烦，以及我们是怎么解决它们的，这件事还真没想象那么简单。

你可以做一个有趣的试验：在任意文件夹新建一个TXT文档，输入「联通」两个字，保存关闭，再打开的时候，原来的两个字变成了奇怪的乱码。

这个诡异的现象，就是人们解决计算机编码问题遗留下来的一个小尾巴。我们最后再来回答这是怎么回事。

计算机一开始被发明出来是用来做算术题的，它通过内部很多小开关的打开和关闭两种状态，来表达不同的数字和运算规则。

所以计算机只能处理两个数字：0和1。一切数字都必须转化成2进制才能计算。十进制是逢十进一，二进制是逢二进一，十进制的3转化成二进制就是11。

每一个小开关的0或者1的状态，叫做比特（Bit）。

仔细一想，你会觉得有点怪：计算机面对一大串0和1的时候，它怎么知道哪里开始、哪里结束，哪里断开呢？比如下面这串二进制数字，如果把它理解成一个数，换算成10进制就是72：

而如果把这串数字从中间断成两部分，就分别表达4和8两个数：

为了解决这个问题，人们就强制计算机每次都处理8个连在一起的数字，不能断开，这8个比特组成的一个最小计算单元，就叫字节（Byte）。

你可以把一个字节看成一个编码状态，每一位有两种可能（0和1），一共8位，不同的排列组合可以表达出2的8次方=256种状态。

人们发现，这么多种状态不仅可以表示数字，还可以把英文字母和一些特殊符号囊括进来。这样一来，计算机就不仅可以处理数学问题，还可以处理文字了。

不同字节状态具体代表哪个字符，需要统一口径。于是1968年，美国国家标准学会就制定了一套标准，规定所有字节第一位统一为0，只用了八位数的后七位，也就是2的7次方=128种组合。

前32种是控制字符，让计算机执行一些特殊指令，比如00000000表示空字符，00001010表示换行。

从第33种组合开始，后边的字符分别代表英文字母、数字或一些特殊符号。比如01010011代表S，00110000代表数字0。

这样，英文单词Sun就可以变成三个8位数的字节，被计算机理解了。

这套标准叫做美国信息交换标准码（American Standard Code for Information Interchange），简称ASCII。

后来，电脑从美国传到了其他国家，像法国或者德国这些国家的语言里还有一些非英文字母，ASCII编码方案就不够用了。

不过没关系，ASCII第一位统一都是0，只用了256种组合中的前128种。这些国家就在ASCII的基础上，从第129种组合开始扩展自己的编码体系，把新增的符号定义为1开头的字节，这样就把ASCII的容量扩充了一倍。

这些国家扩展的规则是不一样的，同样一个字节，在阿拉伯或者俄罗斯的ASCII扩展中代表不同的字母。

大家基本上是各用各的标准，有得用总比没得用强，也还算是开心。

但也有其他人不开心。

比如中国，常用汉字有几千个，加上生僻字和少数民族语言符号有几万个，区区256种组合怎么够用？

没办法，我们只好自己开发一套编码规则，不使用8位的单字节，而是使用16位的双字节来表达一个符号。这样我们就有2的16次方=6万多种组合可以用了。

中国的编码标准从最早的GB2312，一直发展到最新的GB18030，从几千个常用汉字扩充到几万个符号。

为了解决中英文混合问题，GB系列编码也必须向下兼容ASCII编码才行，

GB编码标准规定：凡是以0开头的字节，都被认为是ASCII编码中的英文字符，凡是以1开头的字节，就告诉计算机还没完，得把下一个字节也算进来，组合起来表达一个汉字。

比如「S型人格」编码就是下面这样：

不过，这种双字节中文字符和单字节英文字符并存的编码方式，会带来一个新麻烦：使用GB系列的编程人员需要万分小心，一旦弄错了一个字节，很可能后边跟着的所有文字就全错了。

比如「S型人格」的二进制编码，如果把第一个字节中的第一位0替换成1，其他不变，即便只错了一个数字，也会导致一串编码全部错误。

这种情况在单字节的ASCII里是不会出现的。

如果说编程上的容错性可以通过我们辛勤的本土工程师来解决，那更大的麻烦还在后面。

到这个时候，世界上的编码体系已经很混乱了。

非英语国家对ASCII码用各自的方法扩充，同样的字节代表不同的符号，中国这样的国家还用单双字节混编，甚至大陆和台湾的编码规则都互相冲突。

这对于跨国软件公司和互联网发展都是非常不方便的，使用软件或者访问网站，必须事先安装对应地区的编码系统，否则就会出现乱码。

这时候国际标准化组织ISO站出来说：都别闹了，我来制定一个大一统的编码规则吧！

这套编码规则俗称Unicode，囊括了地球上所有文化的符号。因为各地区的编码已经出现了冲突，大一统编码已经不能兼容不同国家现有的编码了。

ISO的做法很暴力：除了对ASCII向下兼容，其他的编码统统废除，重新编。

16位的双字节编码只能组合出6万多种可能，要做到大一统也不够用。没关系，再加位数，加到32位的四字节编码，排列组合高达42亿种。这下用到宇宙文明统一也没问题了。

不过，旧麻烦的解决总是会带来新麻烦。

首先就是储存效率问题。

对于欧美国家来说，本来用一个8位字节能解决的事，为了兼容其他语言，硬生生的要用双字节甚至4字节来编码，比如ASCII中字母S的编码是「01010011」，到了Unicode里就要把前面的空位用一串0补足。

这样，本来用1个G能储存的文件，变成4字节的Unicode码之后就会变成4个G。

更大的问题是网络传输问题。

在Unicode编码发明的时候，网速还是很慢的。如果一次传输4个字节，效率就是单字节的四分之一。

想想你花钱买了20M的宽带，因为换了个编码系统，变成了5M的速度，搁谁也不干啊。

所以Unicode编码在当时遭到了英文国家的强烈抵制。

为了解决这个问题，人们又发明了Unicode编码转换格式（Unicode Transformation Format），简称UTF，来规定Unicode编码的储存和传输方式。

它分为UTF-8、UTF-16、UTF-32等等，顾名思义，UTF-32表示一次传输32位、4个字节，UTF-8就表示一次传输8位、一个字节。

其中，UTF-8效率最高，最为常用。

既然UTF-8是一次传输一个字节，计算机怎么知道当前这个字节是完整表达了一个含义，还是后边还跟着其他字节呢？

UTF-8是变长度编码，根据符号在Unicode中所在的编码位置，定义了不同的字节长度模板：

如果一个符号在Unicode码中占前127位，只需要一个字节就能表示，对应的二进制是0开头的8位数字，那就直接传输这个字节，并在这个字节结束，不需要前面再补0了。

也就是说，英文语言使用UTF-8和ASCII是一模一样的。

位数增大，一个字节不够用了，就套用这样一个双字节模板：第一个字节以110开头，第二个字节以10开头，告诉计算机，这两个字节需要组合起来共同表达一个符号。下图中红色的部分就是强制规定的模板数字。

位数继续增大，两个字节也不够用了，就再套用一个三字节模板：第一个字节以1110开头，后面两个字节还是以10开头，告诉计算机，这是一个三字节组合的符号。

以此类推，四个字节的模板就是：第一个字节以11110开头，后边再跟着三个以10开头的字节。

这样，我们就解决了不同语言之间编码兼容的问题，又解决了低位数编码的传输效率问题。

当一个文件以英文为主的时候，UTF-8的效率非常接近ASCII。不过对于中文来说，汉字用GB码只需要两个字节，到了UTF-8里却需要用3个字节来表达（因为上图中红色的模板数字占去了4+2+2=8位），所以纯中文的网站用UTF-8比用GB码传输起来效率要低一些。

但前面我们说过，GB码中英文混排的时候，会因为弄错或者丢失一个字节，导致后边的所有文字全都错误。而UTF-8在多字节组合的时候有一套严格的模板，中间一个字节出现了错误，乱码不会扩散，比GB码多了容错性的优势。

此外，使用UTF-8，其他国家的人不需要安装中文编码规则，也不会出现乱码。所以国内的新网站更偏爱使用UTF-8。

因为UTF-8和GB码两者是完全不兼容的，所以一些老牌中文软件和网站出于转化成本的考虑，还是沿用GB系列的编码。

说到这儿，我们就能解释前边那个记事本「联通」两个字乱码的现象了。记事本在打开一个文档的时候，不会问你是用什么格式储存的，而是通过你输入文字的代码来「猜」它的编码格式。

在我们输入中文的时候，记事本默认使用的是GB编码，我们看「联通」两个字对应的GB码：

注意看红色部分，是不是和UTF-8的双字节模板正好一模一样？所以当你默认保存再打开的时候，记事本通过这两行代码，猜测这个文档用的是UTF-8格式，而UTF-8和GB编码是不兼容的，于是就出现了乱码。

你可以试试，在存有「联通」的记事本文件另存的时候，选择用UTF-8格式保存，或者多打几个字，再打开就不会出现乱码了。

好了，总结一下今天说到的几个知识点：

下一期开始，我们的建筑信息编码就要正式登场了。你不妨先思考一个问题：

如果编码只需要考虑语言兼容的问题，为什么光是北美地区就先后出现了Masterformat、Uniformat、Omniclass三种建筑编码体系？比起语言编码，建筑编码是不是有更复杂的问题需要解决呢？

欢迎你把疑问和对编码知识的见解留言给我们，我们会把你的高见和我们的回答补充到后面的连载内容里。

有态度，有深度，BIMBOX，咱们下次见！