你的位置:首页 > 操作系统

[操作系统]Unicode 和 UTF


Unicode符号范围 (一个字符两个字节) | UTF-8编码方式

(十六进制)               | (二进制)
—————————————————————–
从-----0000 0000---到----0000 007F | 0xxxxxxx                                                      需要一个字节
从-----0000 0080---到----0000 07FF | 110xxxxx 10xxxxxx              需要两个字节
从-----0000 0800---到----0000 FFFF | 1110xxxx 10xxxxxx 10xxxxxx          需要三个字节
从-----0001 0000---到----0010 FFFF | 11110xxx 10xxxxxx 10xxxxxx 10xxxxxx   需要四个字节 



作者:于洋
链接:http://www.zhihu.com/question/23374078/answer/69732605
来源:知乎
著作权归作者所有,转载请联系作者获得授权。

 
 
举一个例子:
 
It's 知乎日报
你看到的unicode字符集是这样的编码表:
I 0049t 0074' 0027s 0073 0020知 77e5乎 4e4e日 65e5报 62a5

每一个字符对应一个十六进制数字。

计算机只懂二进制,因此,严格按照unicode的方式(UCS-2),应该这样存储:
I 00000000 01001001t 00000000 01110100' 00000000 00100111s 00000000 01110011 00000000 00100000知 01110111 11100101乎 01001110 01001110日 01100101 11100101报 01100010 10100101

这个字符串总共占用了18个字节,但是对比中英文的二进制码,可以发现,英文前9位都是0!浪费啊,浪费硬盘,浪费流量。

怎么办?

UTF。

UTF-8是这样做的:

1. 单字节的字符,字节的第一位设为0,对于英语文本,UTF-8码只占用一个字节,和ASCII码完全相同;

2. n个字节的字符(n>1),第一个字节的前n位设为1,第n+1位设为0,后面字节的前两位都设为10,这n个字节的其余空位填充该字符unicode码,高位用0补足。

这样就形成了如下的UTF-8标记位:

0xxxxxxx
110xxxxx 10xxxxxx
1110xxxx 10xxxxxx 10xxxxxx
11110xxx 10xxxxxx 10xxxxxx 10xxxxxx
111110xx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx
1111110x 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx
... ...

于是,”It's 知乎日报“就变成了:
I 01001001t 01110100' 00100111s 01110011 00100000知 11100111 10011111 10100101乎 11100100 10111001 10001110日 11100110 10010111 10100101报 11100110 10001010 10100101

和上边的方案对比一下,英文短了,每个中文字符却多用了一个字节。但是整个字符串只用了17个字节,比上边的18个短了一点点。

下边是课后作业:

请将”It's 知乎日报“的GB2312和GBK码(自行google)转成二进制。不考虑历史因素,从技术角度解释为什么在unicode和UTF-8大行其道的同时,GB2312和GBK仍在广泛使用。

剧透:一切都是为了节省你的硬盘和流量。
做个简单的比喻, unicode相当于中文, UTF-8, UTF-16等相当于 行书, 楷书, 草书等各种书写方式.
 
 
 
 
Unicode 与 GBK 是两个完全不样的字符编码方案, 其两者没有直接关系, 要对其进行相
互转换, 最直接最高效的方法是查表.