utf-8 编码介绍

发布于 09-16 14:10 字数 3575 浏览 45 评论 0

ASCII 码

计算机内部,所有信息最终都是一个二进制值

每一个二进制位(bit)有 01 两种状态,因此八个二进制位就可以组合出 256 种状态,这被称为一个字节

也就是说,一个字节一共可以用来表示 256 种不同的状态,每一个状态对应一个符号,就是 256 个符号,从 0000000011111111 上个世纪 60 年代,美国制定了一套字符编码,对英语字符与二进制位之间的关系,做了统一规定。这被称为 ASCII 码,一直沿用至今

ASCII 码一共规定了 128 个字符的编码,比如空格 SPACE 是 32(二进制 00100000 ),大写的字母 A 是 65(二进制 01000001 )。 这 128 个符号(包括 32 个不能打印出来的控制符号),只占用了一个字节的后面 7 位, 最前面的一位统一规定为 0 ::: tip 也就是说 ASCII 编码只用到了一个字节能表示的一半 :::

非 ASCII 编码

英语用 128 个符号编码就够了,但是用来表示其他语言,128 个符号是不够的。

欧洲

一些欧洲国家就决定,利用字节中闲置的最高位编入新的符号,例如法语中的 é 的编码为 130(二进制 10000010 ) 这样一来,这些欧洲国家使用的编码体系,可以表示最多 256 个符号

其他国家

但是,这里又出现了新的问题。不同的国家有不同的字母,因此,哪怕它们都使用 256 个符号的编码方式,代表的字母却不一样。比如,130 在法语编码中代表了 é ,在希伯来语编码中却代表了字母 Gimel ( ג ),在俄语编码中又会代表另一个符号。但是不管怎样,所有这些编码方式中,0--127 表示的符号是一样的,不一样的只是 128--255 的这一段。

汉字

汉字就多达 10 万左右。一个字节只能表示 256 种符号,肯定是不够的,就必须使用多个字节表达一个符号。比如,简体中文常见的编码方式是 GB2312,使用两个字节表示一个汉字,所以理论上最多可以表示 256 x 256 = 65536 个符号。

Unicode

正如上一节所说,世界上存在着多种编码方式,同一个二进制数字可以被解释成不同的符号。因此,要想打开一个文本文件,就必须知道它的编码方式,否则用错误的编码方式解读,就会出现乱码。为什么电子邮件常常出现乱码?就是因为发信人和收信人使用的编码方式不一样

可以想象,如果有一种编码,将世界上所有的符号都纳入其中。每一个符号都给予一个独一无二的编码,那么乱码问题就会消失。这就是 Unicode,就像它的名字都表示的,这是一种所有符号的编码

Unicode 当然是一个很大的集合,现在的规模可以容纳 100 多万个符号。每个符号的编码都不一样,比如, U+0639 表示阿拉伯字母 AinU+0041 表示英语的大写字母 AU+4E25 表示汉字 。具体的符号对应表,可以查询 unicode.org ,或者专门的 汉字对应表

需要注意的是,Unicode 只是一个符号集,它只规定了符号的二进制代码,却没有规定这个二进制代码应该如何存储。

比如,汉字 的 Unicode 是十六进制数 4E25 ,转换成二进制数足足有 15 位( 100111000100101 ),也就是说,这个符号的表示至少需要 2 个字节。表示其他更大的符号,可能需要 3 个字节或者 4 个字节,甚至更多。

这里就有两个严重的问题,第一个问题是,如何才能区别 Unicode 和 ASCII ?计算机怎么知道三个字节表示一个符号,而不是分别表示三个符号呢?第二个问题是,我们已经知道,英文字母只用一个字节表示就够了,如果 Unicode 统一规定,每个符号用三个或四个字节表示,那么每个英文字母前都必然有二到三个字节是 0 ,这对于存储来说是极大的浪费,文本文件的大小会因此大出二三倍,这是无法接受的。

它们造成的结果是:1)出现了 Unicode 的多种存储方式,也就是说有许多种不同的二进制格式,可以用来表示 Unicode。2)Unicode 在很长一段时间内无法推广,直到互联网的出现。

UTF-8

UTF-8 是 Unicode 的实现方式之一。

UTF-8 最大的一个特点,就是它是一种长短可变的编码方式。它可以使用 1~4 个字节表示一个符号,根据不同的符号而变化字节长度。

规则只有两条:

  • 对于单字节的符号,字节的第一位设为 0 ,后面 7 位为这个符号的 Unicode 码。因此对于英语字母,UTF-8 编码和 ASCII 码是相同的
  • 对于 n 字节的符号( n > 1 ),第一个字节的前 n 位都设为 1 ,第 n + 1 位设为 0 ,后面字节的前两位一律设为 10 。剩下的没有提及的二进制位,全部为这个符号的 Unicode 码。
Unicode 符号范围(十六进制)UTF-8 编码方式(二进制)
0000 0000-0000 007F0xxxxxxx 0000 0080-0000 07FF
110xxxxx 10xxxxxx 0000 0800-0000 FFFF1110xxxx 10xxxxxx 10xxxxxx 0001 0000-0010 FFFF
11110xxx 10xxxxxx 10xxxxxx 10xxxxxx(辅助平面) 

的 Unicode 是 4E25(二进制:100111000100101),根据上表,可以发现 4E25 处在第三行的范围内(0000 0800 - 0000 FFFF)
因此 的 UTF-8 编码需要三个字节,即格式是 1110xxxx 10xxxxxx 10xxxxxx。然后,从 的最后一个二进制位开始,依次从后向前填入格式中的 x,多出的位补 0。这样就得到了, 的 UTF-8 编码是 11100100 10111000 10100101,转换成十六进制就是 E4B8A5

如果你对这篇内容有疑问,欢迎到本站社区发帖提问 参与讨论,获取更多帮助,或者扫码二维码加入 Web 技术交流群。

扫码二维码加入Web技术交流群

发布评论

需要 登录 才能够评论, 你可以免费 注册 一个本站的账号。
列表为空,暂无数据

关于作者

沧笙踏歌

暂无简介

0 文章
0 评论
24 人气
更多

推荐作者

lixs

文章 0 评论 0

敷衍 

文章 0 评论 0

盗梦空间

文章 0 评论 0

tian

文章 0 评论 0

13375331123

文章 0 评论 0

你对谁都笑

文章 0 评论 0

我们使用 Cookies 和其他技术来定制您的体验包括您的登录状态等。通过阅读我们的 隐私政策 了解更多相关信息。 单击 接受 或继续使用网站,即表示您同意使用 Cookies 和您的相关数据。
原文