utf-8的中文漢字

技術從未如此性感發表於2018-11-15


從字元編碼講起。 
1、美國人首先對其英文字元進行了編碼,也就是最早的ascii碼,用一個位元組的低7位來表示英文的128個字元,高1位統一為0;
 
2、後來歐洲人發現尼瑪你這128位哪夠用,比如我高貴的法國人字母上面的還有注音符,這個怎麼區分,得,把高1位編進來吧,這樣歐洲普遍使用一個全位元組進行編碼,最多可表示256位。歐美人就是喜歡直來直去,字元少,編碼用得位數少; 

3、但是即使位數少,不同國家地區用不同的字元編碼,雖然0--127表示的符號是一樣的,但是128--255這一段的解釋完全亂套了,即使2進位制完全一樣,表示的字元完全不一樣,比如135在法語,希伯來語,俄語編碼中完全是不同的符號; 

4、更麻煩的是,尼瑪這電腦高科技傳到中國後,中國人發現我們有10萬多個漢字,你們歐美這256字塞牙縫都不夠。於是就發明了GB2312這些漢字編碼,典型的用2個位元組來表示絕大部分的常用漢字,最多可以表示65536個漢字字元,這樣就不難理解有些漢字你在新華字典裡查得到,但是電腦上如果不處理一下你是顯示不出來的了吧。 

5、這下各用各的字符集編碼,這世界咋統一?俄國人發封email給中國人,兩邊字符集編碼不同,尼瑪顯示都是亂碼啊。為了統一,於是就發明了unicode,將世界上所有的符號都納入其中,每一個符號都給予一個獨一無二的編碼,現在unicode可以容納100多萬個符號,每個符號的編碼都不一樣,這下可統一了,所有語言都可以互通,一個網頁頁面裡可以同時顯示各國文字。 

6、然而,unicode雖然統一了全世界字元的二進位制編碼,但沒有規定如何儲存啊,親。x86和amd體系結構的電腦小端序和大端序都分不清,別提計算機如何識別到底是unicode還是acsii了。如果Unicode統一規定,每個符號用三個或四個位元組表示,那麼每個英文字母前都必然有二到三個位元組是0,文字檔案的大小會因此大出二三倍,這對於儲存來說是極大的浪費。這樣導致一個後果:出現了Unicode的多種儲存方式。 

7、網際網路的興起,網頁上要顯示各種字元,必須統一啊,親。utf-8就是Unicode最重要的實現方式之一。另外還有utf-16、utf-32等。UTF-8不是固定字長編碼的,而是一種變長的編碼方式。它可以使用1~4個位元組表示一個符號,根據不同的符號而變化位元組長度。這是種比較巧妙的設計,如果一個位元組的第一位是0,則這個位元組單獨就是一個字元;如果第一位是1,則連續有多少個1,就表示當前字元佔用多少個位元組。 

8、注意unicode的字元編碼和utf-8的儲存編碼表示是不同的,例如"嚴"字的Unicode碼是4E25,UTF-8編碼是E4B8A5,這個7裡面解釋了的,UTF-8編碼不僅考慮了編碼,還考慮了儲存,E4B8A5是在儲存識別編碼的基礎上塞進了4E25。 

9、UTF-8 使用一至四個位元組為每個字元編碼。128 個 ASCII 字元(Unicode 範圍由 U+0000 至 U+007F)只需一個位元組,帶有變音符號的拉丁文、希臘文、西裡爾字母、亞美尼亞語、希伯來文、阿拉伯文、敘利亞文及馬爾地夫語(Unicode 範圍由 U+0080 至 U+07FF)需要二個位元組,其他基本多文種平面(BMP)中的字元(CJK屬於此類-Qieqie注)使用三個位元組,其他 Unicode 輔助平面的字元使用四位元組編碼。

10、常規來看,中文漢字在utf-8中到底佔幾個位元組,一般是3個位元組,最常見的編碼方式是1110xxxx 110xxxxx 10xxxxxx。
 

相關文章