UTF-8編碼規則（轉）

UTF-8是Unicode的一種實現方式，也就是它的字節結構有特殊要求，因此咱們說一個漢字的範圍是0X4E00到0x9FA5，是指unicode值，至於放在utf-8的編碼裏去就是由三個字節來組織，因此能夠看出unicode是給出一個字符的範圍，定義了這個字是碼值是多少，至於具體的實現方式能夠有多種多樣來實現。

UTF-8是一種變長字節編碼方式。對於某一個字符的UTF-8編碼，若是隻有一個字節則其最高二進制位爲0；若是是多字節，其第一個字節從最高位開始，連續的二進制位值爲1的個數決定了其編碼的位數，其他各字節均以10開頭。UTF-8最多可用到6個字節。 
如表： 
1字節 0xxxxxxx 
2字節 110xxxxx 10xxxxxx 
3字節 1110xxxx 10xxxxxx 10xxxxxx 
4字節 11110xxx 10xxxxxx 10xxxxxx 10xxxxxx 
5字節 111110xx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx 
6字節 1111110x 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx 
所以UTF-8中能夠用來表示字符編碼的實際位數最多有31位，即上表中x所表示的位。除去那些控制位（每字節開頭的10等），這些x表示的位與UNICODE編碼是一一對應的，位高低順序也相同。 
實際將UNICODE轉換爲UTF-8編碼時應先去除高位0，而後根據所剩編碼的位數決定所需最小的UTF-8編碼位數。 
所以那些基本ASCII字符集中的字符（UNICODE兼容ASCII）只須要一個字節的UTF-8編碼（7個二進制位）即可以表示。 

對於上面的問題，代碼中給出的兩個字節是 
十六進制：C0 B1 
二進制：11000000 10110001 
對比兩個字節編碼的表示方式： 
110xxxxx 10xxxxxx 
提取出對應的UNICODE編碼： 
00000 110001 
能夠看出此編碼並不是「標準」的UTF-8編碼，由於其第一個字節的「有效編碼」全爲0，去除高位0後的編碼僅有6位。由前面所述，此字符僅用一個字節的UTF-8編碼表示就夠了。 
JAVA在把字符還原爲UTF-8編碼時，是按照「標準」的方式處理的，所以咱們獲得的是僅有1個字節的編碼。 

你們能夠試試運行這段代碼： 

public  class  TestUTF8 { public  static  void  main(String[] args) throws  Exception { byte [][] bytes = { // 00110001 {( byte ) 0x31 }, // 11000000 10110001 {( byte ) 0xC0 ,( byte ) 0xB1 }, // 11100000 10000000 10110001 {( byte ) 0xE0 ,( byte ) 0x80 ,( byte ) 0xB1 }, // 11110000 10000000 10000000 10110001 {( byte ) 0xF0 ,( byte ) 0x80 ,( byte ) 0x80 ,( byte ) 0xB1 }, // 11111000 10000000 10000000 10000000 10110001 {( byte ) 0xF8 ,( byte ) 0x80 ,( byte ) 0x80 ,( byte ) 0x80 ,( byte ) 0xB1 }, // 11111100 10000000 10000000 10000000 10000000 10110001 {( byte ) 0xFC ,( byte ) 0x80 ,( byte ) 0x80 ,( byte ) 0x80 ,( byte ) 0x80 ,( byte ) 0xB1 }, }; for  ( int  i = 0 ; i < 6 ; i++) { String str = new  String(bytes[i], "UTF-8" ); System.out.println( "原數組長度："  + bytes[i].length + "/t轉換爲字符串："  + str + "/t轉回後數組長度："  + str.getBytes( "UTF-8" ).length); } } }

　　運行結果爲： 

原數組長度：1 轉換爲字符串：1 轉回後數組長度：1 
原數組長度：2 轉換爲字符串：1 轉回後數組長度：1 
原數組長度：3 轉換爲字符串：1 轉回後數組長度：1 
原數組長度：4 轉換爲字符串：1 轉回後數組長度：1 
原數組長度：5 轉換爲字符串：1 轉回後數組長度：1 
原數組長度：6 轉換爲字符串：1 轉回後數組長度：1 

 

另轉：

 

字符編碼筆記：ASCII，Unicode和UTF-8

 

今天中午，我忽然想搞清楚Unicode和UTF-8之間的關係，因而就開始在網上查資料。

結果，這個問題比我想象的複雜，從午餐後一直看到晚上9點，纔算初步搞清楚。

下面就是個人筆記，主要用來整理本身的思路。可是，我儘可能試圖寫得通俗易懂，但願能對其餘朋友有用。畢竟，字符編碼是計算機技術的基石，想要熟練使用計算機，就必須懂得一點字符編碼的知識。

1. ASCII碼

咱們知道，在計算機內部，全部的信息最終都表示爲一個二進制的字符串。每個二進制位（bit）有0和1兩種狀態，所以八個二進制位就能夠組合出256種狀態，這被稱爲一個字節（byte）。也就是說，一個字節一共能夠用來表示256種不一樣的狀態，每個狀態對應一個符號，就是256個符號，從0000000到11111111。

上個世紀60年代，美國製定了一套字符編碼，對英語字符與二進制位之間的關係，作了統一規定。這被稱爲ASCII碼，一直沿用至今。

ASCII碼一共規定了128個字符的編碼，好比空格「SPACE」是32（二進制00100000），大寫的字母A是65（二進制01000001）。這128個符號（包括32個不能打印出來的控制符號），只佔用了一個字節的後面7位，最前面的1位統一規定爲0。

二、非ASCII編碼

英語用128個符號編碼就夠了，可是用來表示其餘語言，128個符號是不夠的。好比，在法語中，字母上方有注音符號，它就沒法用ASCII碼錶示。因而，一些歐洲國家就決定，利用字節中閒置的最高位編入新的符號。好比，法語中的é的編碼爲130（二進制10000010）。這樣一來，這些歐洲國家使用的編碼體系，能夠表示最多256個符號。

可是，這裏又出現了新的問題。不一樣的國家有不一樣的字母，所以，哪怕它們都使用256個符號的編碼方式，表明的字母卻不同。好比，130在法語編碼中表明瞭é，在希伯來語編碼中卻表明了字母Gimel (ג)，在俄語編碼中又會表明另外一個符號。可是無論怎樣，全部這些編碼方式中，0—127表示的符號是同樣的，不同的只是128—255的這一段。

至於亞洲國家的文字，使用的符號就更多了，漢字就多達10萬左右。一個字節只能表示256種符號，確定是不夠的，就必須使用多個字節表達一個符號。好比，簡體中文常見的編碼方式是GB2312，使用兩個字節表示一個漢字，因此理論上最多能夠表示256x256=65536個符號。

中文編碼的問題須要專文討論，這篇筆記不涉及。這裏只指出，雖然都是用多個字節表示一個符號，可是GB類的漢字編碼與後文的Unicode和UTF-8是毫無關係的。

3.Unicode

正如上一節所說，世界上存在着多種編碼方式，同一個二進制數字能夠被解釋成不一樣的符號。所以，要想打開一個文本文件，就必須知道它的編碼方式，不然用錯誤的編碼方式解讀，就會出現亂碼。爲何電子郵件經常出現亂碼？就是由於發信人和收信人使用的編碼方式不同。

能夠想象，若是有一種編碼，將世界上全部的符號都歸入其中。每個符號都給予一個獨一無二的編碼，那麼亂碼問題就會消失。這就是Unicode，就像它的名字都表示的，這是一種全部符號的編碼。

Unicode固然是一個很大的集合，如今的規模能夠容納100多萬個符號。每一個符號的編碼都不同，好比，U+0639表示阿拉伯字母Ain，U+0041表示英語的大寫字母A，U+4E25表示漢字「嚴」。具體的符號對應表，能夠查詢unicode.org，或者專門的漢字對應表。

4. Unicode的問題

須要注意的是，Unicode只是一個符號集，它只規定了符號的二進制代碼，卻沒有規定這個二進制代碼應該如何存儲。

好比，漢字「嚴」的unicode是十六進制數4E25，轉換成二進制數足足有15位（100111000100101），也就是說這個符號的表示至少須要2個字節。表示其餘更大的符號，可能須要3個字節或者4個字節，甚至更多。

這裏就有兩個嚴重的問題，第一個問題是，如何才能區別unicode和ascii？計算機怎麼知道三個字節表示一個符號，而不是分別表示三個符號呢？第二個問題是，咱們已經知道，英文字母只用一個字節表示就夠了，若是unicode統一規定，每一個符號用三個或四個字節表示，那麼每一個英文字母前都必然有二到三個字節是0，這對於存儲來講是極大的浪費，文本文件的大小會所以大出二三倍，這是沒法接受的。

它們形成的結果是：1）出現了unicode的多種存儲方式，也就是說有許多種不一樣的二進制格式，能夠用來表示unicode。2）unicode在很長一段時間內沒法推廣，直到互聯網的出現。

5.UTF-8

互聯網的普及，強烈要求出現一種統一的編碼方式。UTF-8就是在互聯網上使用最廣的一種unicode的實現方式。其餘實現方式還包括UTF-16和UTF-32，不過在互聯網上基本不用。重複一遍，這裏的關係是，UTF-8是Unicode的實現方式之一。

UTF-8最大的一個特色，就是它是一種變長的編碼方式。它可使用1~4個字節表示一個符號，根據不一樣的符號而變化字節長度。

UTF-8的編碼規則很簡單，只有二條：

1）對於單字節的符號，字節的第一位設爲0，後面7位爲這個符號的unicode碼。所以對於英語字母，UTF-8編碼和ASCII碼是相同的。

2）對於n字節的符號（n>1），第一個字節的前n位都設爲1，第n+1位設爲0，後面字節的前兩位一概設爲10。剩下的沒有說起的二進制位，所有爲這個符號的unicode碼。

下表總結了編碼規則，字母x表示可用編碼的位。

Unicode符號範圍 | UTF-8編碼方式
(十六進制) | （二進制）
--------------------+---------------------------------------------
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，仍是以漢字「嚴」爲例，演示如何實現UTF-8編碼。

已知「嚴」的unicode是4E25（100111000100101），根據上表，能夠發現4E25處在第三行的範圍內（0000 0800-0000 FFFF），所以「嚴」的UTF-8編碼須要三個字節，即格式是「1110xxxx 10xxxxxx 10xxxxxx」。而後，從「嚴」的最後一個二進制位開始，依次從後向前填入格式中的x，多出的位補0。這樣就獲得了，「嚴」的UTF-8編碼是「11100100 10111000 10100101」，轉換成十六進制就是E4B8A5。

6. Unicode與UTF-8之間的轉換

經過上一節的例子，能夠看到「嚴」的Unicode碼是4E25，UTF-8編碼是E4B8A5，二者是不同的。它們之間的轉換能夠經過程序實現。

在Windows平臺下，有一個最簡單的轉化方法，就是使用內置的記事本小程序Notepad.exe。打開文件後，點擊「文件」菜單中的「另存爲」命令，會跳出一個對話框，在最底部有一個「編碼」的下拉條。

裏面有四個選項：ANSI，Unicode，Unicode big endian 和 UTF-8。

1）ANSI是默認的編碼方式。對於英文文件是ASCII編碼，對於簡體中文文件是GB2312編碼（只針對Windows簡體中文版，若是是繁體中文版會採用Big5碼）。

2）Unicode編碼指的是UCS-2編碼方式，即直接用兩個字節存入字符的Unicode碼。這個選項用的little endian格式。

3）Unicode big endian編碼與上一個選項相對應。我在下一節會解釋little endian和big endian的涵義。

4）UTF-8編碼，也就是上一節談到的編碼方法。

選擇完」編碼方式「後，點擊」保存「按鈕，文件的編碼方式就馬上轉換好了。

7. Little endian和Big endian

上一節已經提到，Unicode碼能夠採用UCS-2格式直接存儲。以漢字」嚴「爲例，Unicode碼是4E25，須要用兩個字節存儲，一個字節是4E，另外一個字節是25。存儲的時候，4E在前，25在後，就是Big endian方式；25在前，4E在後，就是Little endian方式。

這兩個古怪的名稱來自英國做家斯威夫特的《格列佛遊記》。在該書中，小人國裏爆發了內戰，戰爭原由是人們爭論，吃雞蛋時到底是從大頭(Big-Endian)敲開仍是從小頭(Little-Endian)敲開。爲了這件事情，先後爆發了六次戰爭，一個皇帝送了命，另外一個皇帝丟了王位。

所以，第一個字節在前，就是」大頭方式「（Big endian），第二個字節在前就是」小頭方式「（Little endian）。

那麼很天然的，就會出現一個問題：計算機怎麼知道某一個文件到底採用哪種方式編碼？

Unicode規範中定義，每個文件的最前面分別加入一個表示編碼順序的字符，這個字符的名字叫作」零寬度非換行空格「（ZERO WIDTH NO-BREAK SPACE），用FEFF表示。這正好是兩個字節，並且FF比FE大1。

若是一個文本文件的頭兩個字節是FE FF，就表示該文件採用大頭方式；若是頭兩個字節是FF FE，就表示該文件採用小頭方式。

8. 實例

下面，舉一個實例。

打開」記事本「程序Notepad.exe，新建一個文本文件，內容就是一個」嚴「字，依次採用ANSI，Unicode，Unicode big endian 和 UTF-8編碼方式保存。

而後，用文本編輯軟件UltraEdit中的」十六進制功能「，觀察該文件的內部編碼方式。

1）ANSI：文件的編碼就是兩個字節「D1 CF」，這正是「嚴」的GB2312編碼，這也暗示GB2312是採用大頭方式存儲的。

2）Unicode：編碼是四個字節「FF FE 25 4E」，其中「FF FE」代表是小頭方式存儲，真正的編碼是4E25。

3）Unicode big endian：編碼是四個字節「FE FF 4E 25」，其中「FE FF」代表是大頭方式存儲。

4）UTF-8：編碼是六個字節「EF BB BF E4 B8 A5」，前三個字節「EF BB BF」表示這是UTF-8編碼，後三個「E4B8A5」就是「嚴」的具體編碼，它的存儲順序與編碼順序是一致的。

9. 延伸閱讀

* The Absolute Minimum Every Software Developer Absolutely, Positively Must Know About Unicode and Character Sets（關於字符集的最基本知識）

* 談談Unicode編碼

* RFC3629：UTF-8, a transformation format of ISO 10646（若是實現UTF-8的規定）

（完）

 

轉載至：http://www.cnblogs.com/chenwenbiao/archive/2011/08/11/2134503.html  感謝原做者帶來精妙絕倫的文章