BIMBOX | 空間基因：建筑信息編碼簡史（一）

今天開始，我們花上幾期的時間，給你講一個比較大的話題：建筑信息編碼。

2018年5月1日《GBT 51269-2017 建筑信息模型分類和編碼標準》正式執行，很多人還是有一肚子的問號。

● 編碼到底是什么？能干什么用？

● 為什么一定要編碼？用模型不行嗎？

● 編碼標準的執行和我有什么關系？未來會影響哪些領域？

即便是對編碼稍有了解的人，也對它有兩個比較深的誤解：

這一個系列，我們就一步一步剝開建筑信息編碼這個大洋蔥，說清楚它到底是干什么用的，北美三大編碼體系和英國的Uniclass是怎么回事，我國的編碼體系是什么情況，新出的分類和編碼標準該怎么使用，

最后還會說到，面對工程項目的編碼需求，我們該使用什么樣的工具來完成工作。

好了，廢話不多說，BIMBOX開車了。

所謂編碼，就是「用通用性的符號來簡化某些含義」。人類的語言就是一種編碼。

比如，「天上那個早上出來傍晚落下去的金色火球」，就是個很長的含義，英文世界用「sun」這個字母組合來表達它。

中國就用一個圓圈中間加個點來表達它，后來這個符號演化成漢語里的「日」字。

不同地區使用不同的語言，這在人類文明發展的幾千年里都沒有出現大問題，文明互相接觸的時候可以互相學習對方的語言。一個人腦子里同時裝下「太陽」、「Sun」、「お日さま」幾個符號并不會出現混亂。

但到了計算機發明出來、人類進入數字化時代的時候，麻煩可就出現了。

當我們說建筑信息編碼的時候，一個大前提就是用計算機來進行編碼。換句話說，就是把自然語言編寫成計算機可以讀取的數據，這樣的數據才能自動進行計算和分析。

所以要說清建筑信息編碼，就得先用一期的內容來說說人類進入數字化時代碰到的麻煩，以及我們是怎么解決它們的，這件事還真沒想象那么簡單。

你可以做一個有趣的試驗：在任意文件夾新建一個TXT文檔，輸入「聯通」兩個字，保存關閉，再打開的時候，原來的兩個字變成了奇怪的亂碼。

這個詭異的現象，就是人們解決計算機編碼問題遺留下來的一個小尾巴。我們最后再來回答這是怎么回事。

計算機一開始被發明出來是用來做算術題的，它通過內部很多小開關的打開和關閉兩種狀態，來表達不同的數字和運算規則。

所以計算機只能處理兩個數字：0和1。一切數字都必須轉化成2進制才能計算。十進制是逢十進一，二進制是逢二進一，十進制的3轉化成二進制就是11。

每一個小開關的0或者1的狀態，叫做比特（Bit）。

仔細一想，你會覺得有點怪：計算機面對一大串0和1的時候，它怎么知道哪里開始、哪里結束，哪里斷開呢？比如下面這串二進制數字，如果把它理解成一個數，換算成10進制就是72：

而如果把這串數字從中間斷成兩部分，就分別表達4和8兩個數：

為了解決這個問題，人們就強制計算機每次都處理8個連在一起的數字，不能斷開，這8個比特組成的一個最小計算單元，就叫字節（Byte）。

你可以把一個字節看成一個編碼狀態，每一位有兩種可能（0和1），一共8位，不同的排列組合可以表達出2的8次方=256種狀態。

人們發現，這么多種狀態不僅可以表示數字，還可以把英文字母和一些特殊符號囊括進來。這樣一來，計算機就不僅可以處理數學問題，還可以處理文字了。

不同字節狀態具體代表哪個字符，需要統一口徑。于是1968年，美國國家標準學會就制定了一套標準，規定所有字節第一位統一為0，只用了八位數的后七位，也就是2的7次方=128種組合。

前32種是控制字符，讓計算機執行一些特殊指令，比如00000000表示空字符，00001010表示換行。

從第33種組合開始，后邊的字符分別代表英文字母、數字或一些特殊符號。比如01010011代表S，00110000代表數字0。

這樣，英文單詞Sun就可以變成三個8位數的字節，被計算機理解了。

這套標準叫做美國信息交換標準碼（American Standard Code for Information Interchange），簡稱ASCII。

后來，電腦從美國傳到了其他國家，像法國或者德國這些國家的語言里還有一些非英文字母，ASCII編碼方案就不夠用了。

不過沒關系，ASCII第一位統一都是0，只用了256種組合中的前128種。這些國家就在ASCII的基礎上，從第129種組合開始擴展自己的編碼體系，把新增的符號定義為1開頭的字節，這樣就把ASCII的容量擴充了一倍。

這些國家擴展的規則是不一樣的，同樣一個字節，在阿拉伯或者俄羅斯的ASCII擴展中代表不同的字母。

大家基本上是各用各的標準，有得用總比沒得用強，也還算是開心。

但也有其他人不開心。

比如中國，常用漢字有幾千個，加上生僻字和少數民族語言符號有幾萬個，區區256種組合怎么夠用？

沒辦法，我們只好自己開發一套編碼規則，不使用8位的單字節，而是使用16位的雙字節來表達一個符號。這樣我們就有2的16次方=6萬多種組合可以用了。

中國的編碼標準從最早的GB2312，一直發展到最新的GB18030，從幾千個常用漢字擴充到幾萬個符號。

為了解決中英文混合問題，GB系列編碼也必須向下兼容ASCII編碼才行，

GB編碼標準規定：凡是以0開頭的字節，都被認為是ASCII編碼中的英文字符，凡是以1開頭的字節，就告訴計算機還沒完，得把下一個字節也算進來，組合起來表達一個漢字。

比如「S型人格」編碼就是下面這樣：

不過，這種雙字節中文字符和單字節英文字符并存的編碼方式，會帶來一個新麻煩：使用GB系列的編程人員需要萬分小心，一旦弄錯了一個字節，很可能后邊跟著的所有文字就全錯了。

比如「S型人格」的二進制編碼，如果把第一個字節中的第一位0替換成1，其他不變，即便只錯了一個數字，也會導致一串編碼全部錯誤。

這種情況在單字節的ASCII里是不會出現的。

如果說編程上的容錯性可以通過我們辛勤的本土工程師來解決，那更大的麻煩還在后面。

到這個時候，世界上的編碼體系已經很混亂了。

非英語國家對ASCII碼用各自的方法擴充，同樣的字節代表不同的符號，中國這樣的國家還用單雙字節混編，甚至大陸和臺灣的編碼規則都互相沖突。

這對于跨國軟件公司和互聯網發展都是非常不方便的，使用軟件或者訪問網站，必須事先安裝對應地區的編碼系統，否則就會出現亂碼。

這時候國際標準化組織ISO站出來說：都別鬧了，我來制定一個大一統的編碼規則吧！

這套編碼規則俗稱Unicode，囊括了地球上所有文化的符號。因為各地區的編碼已經出現了沖突，大一統編碼已經不能兼容不同國家現有的編碼了。

ISO的做法很暴力：除了對ASCII向下兼容，其他的編碼統統廢除，重新編。

16位的雙字節編碼只能組合出6萬多種可能，要做到大一統也不夠用。沒關系，再加位數，加到32位的四字節編碼，排列組合高達42億種。這下用到宇宙文明統一也沒問題了。

不過，舊麻煩的解決總是會帶來新麻煩。

首先就是儲存效率問題。

對于歐美國家來說，本來用一個8位字節能解決的事，為了兼容其他語言，硬生生的要用雙字節甚至4字節來編碼，比如ASCII中字母S的編碼是「01010011」，到了Unicode里就要把前面的空位用一串0補足。

這樣，本來用1個G能儲存的文件，變成4字節的Unicode碼之后就會變成4個G。

更大的問題是網絡傳輸問題。

在Unicode編碼發明的時候，網速還是很慢的。如果一次傳輸4個字節，效率就是單字節的四分之一。

想想你花錢買了20M的寬帶，因為換了個編碼系統，變成了5M的速度，擱誰也不干啊。

所以Unicode編碼在當時遭到了英文國家的強烈抵制。

為了解決這個問題，人們又發明了Unicode編碼轉換格式（Unicode Transformation Format），簡稱UTF，來規定Unicode編碼的儲存和傳輸方式。

它分為UTF-8、UTF-16、UTF-32等等，顧名思義，UTF-32表示一次傳輸32位、4個字節，UTF-8就表示一次傳輸8位、一個字節。

其中，UTF-8效率最高，最為常用。

既然UTF-8是一次傳輸一個字節，計算機怎么知道當前這個字節是完整表達了一個含義，還是后邊還跟著其他字節呢？

UTF-8是變長度編碼，根據符號在Unicode中所在的編碼位置，定義了不同的字節長度模板：

如果一個符號在Unicode碼中占前127位，只需要一個字節就能表示，對應的二進制是0開頭的8位數字，那就直接傳輸這個字節，并在這個字節結束，不需要前面再補0了。

也就是說，英文語言使用UTF-8和ASCII是一模一樣的。

位數增大，一個字節不夠用了，就套用這樣一個雙字節模板：第一個字節以110開頭，第二個字節以10開頭，告訴計算機，這兩個字節需要組合起來共同表達一個符號。下圖中紅色的部分就是強制規定的模板數字。

位數繼續增大，兩個字節也不夠用了，就再套用一個三字節模板：第一個字節以1110開頭，后面兩個字節還是以10開頭，告訴計算機，這是一個三字節組合的符號。

以此類推，四個字節的模板就是：第一個字節以11110開頭，后邊再跟著三個以10開頭的字節。

這樣，我們就解決了不同語言之間編碼兼容的問題，又解決了低位數編碼的傳輸效率問題。

當一個文件以英文為主的時候，UTF-8的效率非常接近ASCII。不過對于中文來說，漢字用GB碼只需要兩個字節，到了UTF-8里卻需要用3個字節來表達（因為上圖中紅色的模板數字占去了4+2+2=8位），所以純中文的網站用UTF-8比用GB碼傳輸起來效率要低一些。

但前面我們說過，GB碼中英文混排的時候，會因為弄錯或者丟失一個字節，導致后邊的所有文字全都錯誤。而UTF-8在多字節組合的時候有一套嚴格的模板，中間一個字節出現了錯誤，亂碼不會擴散，比GB碼多了容錯性的優勢。

此外，使用UTF-8，其他國家的人不需要安裝中文編碼規則，也不會出現亂碼。所以國內的新網站更偏愛使用UTF-8。

因為UTF-8和GB碼兩者是完全不兼容的，所以一些老牌中文軟件和網站出于轉化成本的考慮，還是沿用GB系列的編碼。

說到這兒，我們就能解釋前邊那個記事本「聯通」兩個字亂碼的現象了。記事本在打開一個文檔的時候，不會問你是用什么格式儲存的，而是通過你輸入文字的代碼來「猜」它的編碼格式。

在我們輸入中文的時候，記事本默認使用的是GB編碼，我們看「聯通」兩個字對應的GB碼：

注意看紅色部分，是不是和UTF-8的雙字節模板正好一模一樣？所以當你默認保存再打開的時候，記事本通過這兩行代碼，猜測這個文檔用的是UTF-8格式，而UTF-8和GB編碼是不兼容的，于是就出現了亂碼。

你可以試試，在存有「聯通」的記事本文件另存的時候，選擇用UTF-8格式保存，或者多打幾個字，再打開就不會出現亂碼了。

好了，總結一下今天說到的幾個知識點：

下一期開始，我們的建筑信息編碼就要正式登場了。你不妨先思考一個問題：

如果編碼只需要考慮語言兼容的問題，為什么光是北美地區就先后出現了Masterformat、Uniformat、Omniclass三種建筑編碼體系？比起語言編碼，建筑編碼是不是有更復雜的問題需要解決呢？

歡迎你把疑問和對編碼知識的見解留言給我們，我們會把你的高見和我們的回答補充到后面的連載內容里。

有態度，有深度，BIMBOX，咱們下次見！