Unicode和UTF-8转换方法的理解

    下面是关于Unicode和UTF-8之间转换方法的引用
写道
互联网的普及,强烈要求出现一种统一的编码方式。UTF-8就是在互联网上使用最广的一种unicode的实现方式。其他实现方式还包括UTF-16和UTF-32,不过在互联网上基本不用。重复一遍,这里的关系是,UTF-8是Unicode的实现方式之一。
UTF-8最大的一个特点,就是它是一种变长的编码方式。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。
UTF-8的编码规则很简单,只有二条:
1)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。
2)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。
下表总结了编码规则,字母x表示可用编码的位。
Unicode符号范围 | UTF-8编码方式
(十六进制) | (二进制)
--------------------+---------------------------------------------
0000 0000-0000 007F | 0xxxxxxx
0000 0080-0000 07FF | 110xxxxx 10xxxxxx
0000 0800-0000 FFFF | 1110xxxx 10xxxxxx 10xxxxxx
0001 0000-0010 FFFF | 11110xxx 10xxxxxx 10xxxxxx 10xxxxxx
下面,还是以汉字“严”为例,演示如何实现UTF-8编码。
已知“严”的unicode是4E25(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“严”的UTF-8编码需要三个字节,即格式是“1110xxxx 10xxxxxx 10xxxxxx”。然后,从“严”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,“严”的UTF-8编码是“11100100 10111000 10100101”,转换成十六进制就是E4B8A5。

   开始看例子的时候,并不理解为什么4E25处在第三行的位置。因为把“0000 0080-0000 07FF”这个给弄拧了,没有看懂这个表示的意思。这是一个范围的表示,意思是当Unicode编码的值在“0000 0008”到“0000 FFFF”之间的时候,采用第三行的编码。4E25显然在这个范围中;这是正确的理解。


    当时我并没有理解,于是进行了反推。将4E25表示成二进制数,即“0100 1110 0010 0101”。它有十六位,与此同时,第三行的可变的二进制位,也恰好是16个。看来问题就在这里, Unicode的表示范围和表示成二进制后的UTF-8编码的可变长度是相匹配的。比如,对于“0000 0000”到“0000 007F”范围的Unicode,最多只有7个有效二进制位,所以加上一个标识符,刚好可以在一个字节中进行表示;而对于第三行的UTF-8编码,它能容纳的可变二进制位是16个,所以能表示的最大Unicode码是“0000 FFFF”。


    按照这个规则,当然可以一直表示下去,但是对于一个字符,最多4个字节就可以了,所以没有必要继续扩展了。

相关推荐