Unicode和UTF-8有和区别?
本文作者 TomorrowWu,原创文章,转载注明出处,博客地址 https://segmentfault.com/u/to... 第一时间看后续精彩文章。觉得好的话,顺手分享到朋友圈吧,感谢支持。
关于字符集,之前一直就只知道写代码时成员间统一用UTF-8,就不会出现问题,也没有继续深入探讨,今天在网上搜了一些资料,总算弄清楚了,下面大致以简明的方式总结一下
简单来说:
- Unicode是「字符集」
- UTF-8 是「编码规则」
具体:
- 字符集:为每一个「字符」分配一个唯一的 ID(学名为码位 / 码点 / Code Point)
- 编码规则:将「码位」转换为字节序列的规则(编码/解码 可以理解为 加密/解密 的过程),主要是方便存储与读取,因为存在硬盘中都是二进制,编码规则就是为了解决如何断句的问题,同时也有利于最大化利用存储空间
Unicode 字符集为每一个字符分配一个码位,例如「知」的码位是 30693,记作 U+77E5(30693 的十六进制为 0x77E5)
广义Unicode
广义的 Unicode 是一个标准,定义了一个字符集以及一系列的编码规则,即 Unicode 字符集和 UTF-8、UTF-16、UTF-32 等等编码……
UTF-8 顾名思义,是一套以 8 位为一个编码单位的可变长编码。会将一个码位编码为 1 到 4 个字节:
U+ 0000 ~ U+ 007F: 0XXXXXXX U+ 0080 ~ U+ 07FF: 110XXXXX 10XXXXXX U+ 0800 ~ U+ FFFF: 1110XXXX 10XXXXXX 10XXXXXX U+10000 ~ U+1FFFF: 11110XXX 10XXXXXX 10XXXXXX 10XXXXXX
根据上表中的编码规则,之前的「知」字的码位 U+77E5 属于第三行的范围:
7 7 E 5 0111 0111 1110 0101 二进制的 77E5 -------------------------- 0111 011111 100101 二进制的 77E5 1110XXXX 10XXXXXX 10XXXXXX 模版(上表第三行) 11100111 10011111 10100101 代入模版 E 7 9 F A 5
这就是将 U+77E5 按照 UTF-8 编码为字节序列 E79FA5 的过程。反之亦然
相关推荐
doubinning 2019-12-29
ahansban 2019-11-03
Charlesbases 2019-11-03
89781232 2018-02-20
yangbin 2014-10-25
81580495 2018-02-20
Dansha的花果山 2011-04-12
waitwolf 2016-03-28
编程10000问 2019-03-27