基础:ASCII,Unicode 和 UTF-8

0 预备知识

bit:位,一个位就代表一个 0 或 1,二进制单位。数据传输大多是以“位”为单位,例如:100Mbps 即 Mbit/s,兆比特每秒。
byte:字节,计算机中用于计量存储容量的一种计量单位。

关系:8 bits = 1 byte

bit and byte

1 ASCII

ASCII,/ˈæski/,American Standard Code for Information Interchange
美国信息交换标准代码

每一个 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 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。

ASCII 码一共规定了 128 个字符的编码(ASCII 对照表),这 128 个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。

英语字母及一些符号用 128 个符号编码就足够了,但是用来表示其他语言,128 个符号是远远不够。

2 Unicode

Unicode 是为了解决传统的字符编码方案的局限而产生的,它为每种语言中的每个字符设定了统一并且唯一的二进制编码,以满足跨语言、跨平台进行文本转换、处理的要求。
 

2.1 编码

在表示一个 Unicode 字符时,通常会用 U+ 然后紧接着一组十六进制的数字来表示这一个字符。例如:U+0041 表示英语大写字母 AU+4E25 表示汉字 “严”。

2.2 实现

Unicode 是一个符号集。Unicode 的实现方式不同于编码方式。一个字符的 Unicode 编码是确定的,但是在实际传输过程中,由于不同系统平台的设计不一定一致,对 Unicode 编码的实现方式有所不同。Unicode的实现方式称为 Unicode 转换格式(Unicode Transformation Format,简称为 UTF)。

2.3 问题

Unicode 字符的十六进制数转换成二进制数时,一般用 2 个字节表示 1 个字符,表示其他更偏的字符,可能需要 3 或 4 个字节,甚至更多。

如果一个仅包含 7 bits 的 ASCII 字符(例如一个英文字母)使用 Unicode 编码,如果 Unicode 统一规定每个字符都使用 2 个或更多字节表示,那么这些字节中前几个字节就必然要补 0。虽然乱码问题得到解决,但是这对于存储来说是极大的浪费。
例如:字母 A 的 Unicode 二进制编码是 00000000 01000001

3 UTF-8

UTF-8 是 Unicode 的一种实现方式。其他实现方式还包括 UTF-16 和 UTF-32。

UTF-8 是一种变长编码,根据具体字符来变更所需的表示字节。它将基本 7 位 ASCII 字符仍用 7 位编码表示,占用一个字节(首位补 0)。而遇到与其他 Unicode 字符混合的情况,将按一定算法转换,每个字符使用 1-3 个字节编码,并利用首位为 0 或 1 进行识别。这样对以 ASCII 字符为主的英文文档就大幅节省了编码长度。

3.1 规则

UTF-8 的编码规则只有二条:

  1. 对于 128 个 ASCII 字符只需一个字节表示,字节的第一位补 0,后面 7 位为这个字符的 ASCII 二进制数。Unicode 范围为 U+0000 至U+007F。

  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 码二进制数。Unicode 范围由 U+0080 起。

下表总结了编码规则,字母 x 表示可用编码的位。

Unicode 范围
(十六进制)
UTF-8 编码
(二进制)
U+0000 ~ U+007F 0xxxxxxx
U+0080 ~ U+07FF 110xxxxx 10xxxxxx
U+0800 ~ U+FFFF 1110xxxx 10xxxxxx 10xxxxxx
U+10000 ~ U+10FFFF 11110xxx 10xxxxxx 10xxxxxx 10xxxxxx

注释:十六进制 007F 转换十进制为 127,二进制为 01111111。

以汉字“严”为例,演示如何实现 UTF-8 编码。
"严"的 Unicode 是 U+4E25(二进制数 100111000100101),据表,U+4E25 处在第三行的范围内(U+0800 ~ U+FFFF),因此“严”的UTF-8 编码需要三个字节,即格式 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 UTF-8 编码(二进制)是 11100100 10111000 10100101,转换成十六进制就是 E4B8A5

下图也总结了上述的编码规则。

图片描述

4 参考

阅读 1.7k更新于 2016-07-11
推荐阅读
Teraflopst
用户专栏

我的专栏

6 人关注
18 篇文章
专栏主页
目录