中文化和国际化问题权威解析之六:MIME编码/字符传输编码

MIME(Multipurpose Internet Mail Extensions) 是"多用途Internet邮件扩充协议"的缩写,在 MIME 协议之前,邮件的编码曾经有过 UUENCODE 等编码方式 ,但是由于 MIME 协议算法简单,并且易于扩展,现在已经成为邮件编码方式的主流,不仅是用来传输 8 bit 的字符,也可以用来传送二进制的文件 ,如邮件附件中的图像、音频等信息,而且扩展了很多基于MIME 的应用。

当一段Text或者HTML通过电子邮件传送时,发送的内容首先通过一种指定的字符编码转化成"字节串",然后再把"字节串"通过一种指定的传输编 码(Content-Transfer-Encoding)进行转化得到另一串"字节串"。比如,打开一封电子邮件源代码,可以看到类似的内容:
Content-Type: text/plain; charset="gb2312"
Content-Transfer-Encoding: base64
sbG+qcrQuqO17cf4yee74bGjz9W7+b3wudzA7dbQ0MQNCg0KvPKzxqO6uqO17cnnsaPW0NDEDQoNCg==

最常用的 Content-Transfer-Encoding 有 Base64 和 Quoted-Printable 两种,另外还有一种叫BinHex,基本上是Mac专用。在对二进制文件或者中文文本进行转化时,Base64 得到的"字节串"比 Quoted-Printable 更短。在对英文文本进行转化时,Quoted-Printable 得到的"字节串"比 Base64 更短。因为Base64是对所有的字符(包括ASCII码)进行重新编码,而QP只针对非ASCII码进行编码。

对于邮件的标题,MIME用了一种更简短的格式来标注"字符编码"和"传输编码"。比如,标题内容为 "中",则在邮件源代码中表示为:Subject: =?GB2312?B?1tA=?=
其中:
第一个"=?"与"?"中间的部分指定了字符编码,在这个例子中指定的是 GB2312。
"?"与"?"中间的"B"代表 Base64。如果是"Q"则代表 Quoted-Printable。
最后"?"与"?="之间的部分,就是经过 GB2312 转化成字节串,再经过 Base64 转化后的标题内容。

如果"传输编码"改为 Quoted-Printable,同样,如果标题内容为 "中",则邮件源码为:
Subject: =?GB2312?Q?=D6=D0?=

下面就主要介绍下两种传输编码Base64、QP;

Base64

按照RFC2045的定义,Base64被定义为:Base64内容传送编码被设计用来把任意序列的8位字节描述为一种不易被人直接识别的形式。

为什么要使用Base64?
在设计这个编码的时候,我想设计人员最主要考虑了3个问题:
1.是否加密?
2.加密算法复杂程度和效率
3.如何处理传输?

加密是肯定的,但是加密的目的不是让用户发送非常安全的Email。这种加密方式主要就是"防君子不防小人"。即达到一眼望去完全看不出内容即可。
基 于这个目的加密算法的复杂程度和效率也就不能太大和太低。和上一个理由类似,MIME协议等用于发送Email的协议解决的是如何收发Email,而并不 是如何安全的收发Email。因此算法的复杂程度要小,效率要高,否则因为发送Email而大量占用资源,路就有点走歪了。
但是,如果是基于以上 两点,那么我们使用最简单的恺撒法即可,为什么Base64看起来要比恺撒法复杂呢?这是因为在Email的传送过程中,由于历史原因,Email只被允 许传送ASCII字符,即一个8位字节的低7位。因此,如果您发送了一封带有非ASCII字符(即字节的最高位是1)的Email通过有"历史问题"的网 关时就可能会出现问题。网关可能会把最高位置为0!很明显,问题就这样产生了!因此,为了能够正常的传送Email,这个问题就必须考虑!所以,单单靠改 变字母的位置的恺撒之类的方案也就不行了。关于这一点可以参考RFC2046
基于以上的一些主要原因产生了Base64编码。

Base64编码要求把3个8位字节(3*8=24)转化为4个6位的字节(4*6=24),之后在6位的前面补两个0,形成8位一个字节的形式。也就是说,转换后的字符串理论上将要比原来的长1/3。实例如下:
转换前 aaaaaabb ccccdddd eeffffff
转换后 00aaaaaa 00bbcccc 00ddddee 00ffffff
上面的三个字节是原文,下面的四个字节是转换后的Base64的二进制编码,其前两位均为0。 至此编码还没完成,转换后,我们还要用一个码表来得到我们想要的字符串(也就是最终的Base64编码),编码表(摘自RFC2045 )如下:

Value Encoding Value Encoding Value Encoding Value Encoding
0 A 17 R 34 i 51 z
1 B 18 S 35 j 52 0
2 C 19 T 36 k 53 1
3 D 20 U 37 l 54 2
4 E 21 V 38 m 55 3
5 F 22 W 39 n 56 4
6 G 23 X 40 o 57 5
7 H 24 Y 41 p 58 6
8 I 25 Z 42 q 59 7
9 J 26 a 43 r 60 8
10 K 27 b 44 s 61 9
11 L 28 c 45 t 62 +
12 M 29 d 46 u 63 /
13 N 30 e 47 v
14 O 31 f 48 w (pad) =
15 P 32 g 49 x
16 Q 33 h 50 y

注意:码表最后的pad是专门用来在文档最后进行填充的,因为并非所有文档的字节数都是3的整数倍,如果遇到除不尽的情况,就用=来填充;

QP(Quote-Printable)

其原理是把一个 8 bit 的字符用两个16进制数值表示,然后在前面加"="。所以我们看到经过QP编码后的文件通常是这个样子:=B3=C2=BF=A1=C7=E5=A3=AC=C4=FA=BA=C3=A3=A1。

与Base64相比,QP的保密性要相对较低,因为他不对ASCII码进行重复编码,这样对于普通英文文档就相当于没有编码过,文档内容是完全可见的;这样也带来一个优势,就是对于英文字符占多数的文档编码后文件大小不会增加太多;

猜你喜欢

转载自chengxuetao.iteye.com/blog/1509277