为什么 UTF-8 是这样编码的?

发布于 2025-01-10 06:13:35 字数 974 浏览 0 评论 0原文

如果我理解正确的话,UTF-8使用以下模式让计算机知道将使用多少个字节来编码一个字符:

Byte 1Byte 2Byte 3Byte 4
0xxxxxxx
110xxxx10xxxxxx
1110xxxx10xxxxxx10xxxxxx
11110xxx10xxxxxx10xxxxxx10xxxxxx

等等。但是没有更紧凑的模式吗?例如,是什么阻止我们使用这样的东西:

Byte 1Byte 2Byte 3Byte 4
0xxxxxxx
10xxxxxxxxxxxxxx
110xxxxxxxxxxxxxxxxxxxxxx
1110xxxxxxxxxxxxxxxxxxxxxxxxxxxx

If I understood correctly, UTF-8 uses the following pattern to let the computer know how many bytes are going to be used to encode a character:

Byte 1Byte 2Byte 3Byte 4
0xxxxxxx
110xxxxx10xxxxxx
1110xxxx10xxxxxx10xxxxxx
11110xxx10xxxxxx10xxxxxx10xxxxxx

Etc. But aren't there more compact patterns? For instance, what is stopping us from using something like this:

Byte 1Byte 2Byte 3Byte 4
0xxxxxxx
10xxxxxxxxxxxxxx
110xxxxxxxxxxxxxxxxxxxxx
1110xxxxxxxxxxxxxxxxxxxxxxxxxxxx

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。

评论(1

宣告ˉ结束 2025-01-17 06:13:35

您建议的编码不会自同步。如果您落在流的中间 xxxxxxxx 字节上,您将不知道它是否位于字符的中间。如果该随机字节恰好是 10xxxxxx,您可能会将其误认为是字符的开头。避免此错误的唯一方法是从头开始无错误地读取整个流。

自同步是 UTF-8 的明确目标。如果您到达 UTF-8 流中的任何位置,您知道是否位于字符的中间,并且最多需要读取 3 个字节才能找到完整字符的下一个开头。

Your proposed encoding wouldn't be self-synchronizing. If you landed in the middle of a stream on an xxxxxxxx byte, you'd have no idea whether it's in the middle of a character or not. If that random byte happened to be 10xxxxxx, you could mistake it for the start of a character. The only way to avoid this mistake is to read the entire stream error free from the beginning.

It's an explicit goal for UTF-8 to be self-synchronizing. If you land anywhere in a UTF-8 stream, you know whether you're in the middle of a character or not, and need to read at most 3 bytes to find the next start of a full character.

~没有更多了~
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