侧边栏壁纸
博主头像
汪洋

即使慢,驰而不息,纵会落后,纵会失败,但一定可以达到他所向的目标。 - 鲁迅

  • 累计撰写 190 篇文章
  • 累计创建 74 个标签
  • 累计收到 108 条评论

UTF-8 编码原理

汪洋
2021-12-01 / 0 评论 / 2 点赞 / 252 阅读 / 4,142 字

一、ASCII码

我们知道,在计算机内部,所有的信息最终都表示为一个二进制的字符串。每一个二进制位(bit)有 0 和 1 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(byte)。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0000000 到 11111111。

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 1 位统一规定为 0。

二、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。比如,在法语中,字母上方有注音符号,它就无法用 ASCII 码表示。于是,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。比如,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。

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。

至于亚洲国家的文字,使用的符号就更多了,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 256x256=65536 个符号。

中文编码的问题需要专文讨论,这篇笔记不涉及。这里只指出,虽然都是用多个字节表示一个符号,但是 GB 类的汉字编码与后文的 Unicode 和 UTF-8 是毫无关系的。

三、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Ain,U+0041 表示英语的大写字母 A,U+4E25 表示汉字“严”。具体的符号对应表,可以查询 unicode.org,或者专门的汉字对应表。

四、Unicode的问题

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 “严” 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。

五、UTF-8

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:

  • 对于单字节的符号,字节的第一位(字节的最高位)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。

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。

六、Unicode 与 UTF-8 之间的转换

通过上一节的例子,可以看到 “严” 的 Unicode 码是 4E25,UTF-8编 码是 E4B8A5,两者是不一样的。它们之间的转换可以通过程序实现,在 Windows 平台下,有一个最简单的转化方法,就是使用内置的记事本小程序 Notepad.exe。打开文件后,点击“文件”菜单中的“另存为 ”命令,会跳出一个对话框,在最底部有一个“编码”的下拉条。里面有四个选项:ANSI,Unicode,Unicode big endian 和 UTF-8:

  • ANSI 是默认的编码方式。对于英文文件是 ASCII 编码,对于简体中文文件是 GB2312 编码(只针对 Windows 简体中文版,如果是繁体中文版会采用 Big5 码)。
  • Unicode 编码指的是 UCS-2 编码方式,即直接用两个字节存入字符的 Unicode 码。这个选项用的 little endian 格式。
  • Unicode big endian 编码与上一个选项相对应。我在下一节会解释 little endian 和 big endian 的涵义。
  • UTF-8 编码,也就是上一节谈到的编码方法。

选择完”编码方式“后,点击”保存“按钮,文件的编码方式就立刻转换好了。

七、Little endian和Big endian

上一节已经提到,Unicode 码可以采用 UCS-2 格式直接存储。以汉字 ”严“ 为例,Unicode 码是 4E25,需要用两个字节存储,一个字节是 4E,另一个字节是 25。存储的时候,4E 在前,25 在后,就是 Big endian 方式;25 在前,4E 在后,就是 Little endian 方式。

这两个古怪的名称来自英国作家斯威夫特的《格列佛游记》。在该书中,小人国里爆发了内战,战争起因是人们争论,吃鸡蛋时究竟是从大头 (Big-Endian) 敲开还是从小头 (Little-Endian) 敲开。为了这件事情,前后爆发了六次战争,一个皇帝送了命,另一个皇帝丢了王位。

因此,第一个字节在前,就是 ”大头方式“(Big endian),第二个字节在前就是 ”小头方式“(Little endian),那么很自然的,就会出现一个问题:计算机怎么知道某一个文件到底采用哪一种方式编码?

Unicode 规范中定义,每一个文件的最前面分别加入一个表示编码顺序的字符,这个字符的名字叫做”零宽度非换行空格“( ZERO WIDTH NO-BREAK SPACE ),用 FEFF 表示。这正好是两个字节,而且 FF 比 FE 大 1。

如果一个文本文件的头两个字节是FE FF,就表示该文件采用大头方式;如果头两个字节是FF FE,就表示该文件采用小头方式。

八、 实例

下面,举一个实例:
打开 ”记事本“ 程序 Notepad.exe,新建一个文本文件,内容就是一个”严“字,依次采用 ANSI,Unicode,Unicode big endian 和 UTF-8编码方式保存,然后,用文本编辑软件 UltraEdit 中的”十六进制功能“,观察该文件的内部编码方式。

  • ANSI:文件的编码就是两个字节 “D1 CF”,这正是 “严” 的 GB2312 编码,这也暗示 GB2312 是采用大头方式存储的。

  • Unicode:编码是四个字节“FF FE 25 4E”,其中“FF FE”表明是小头方式存储,真正的编码是4E25。

  • Unicode big endian:编码是四个字节“FE FF 4E 25”,其中“FE FF”表明是大头方式存储。

  • UTF-8:编码是六个字节“EF BB BF E4 B8 A5”,前三个字节“EF BB BF”表示这是UTF-8编码,后三个“E4B8A5”就是“严”的具体编码,它的存储顺序与编码顺序是一致的。

本文转载自http://www.cnblogs.com/daxiong2014/p/4768681.html

0

评论区