Unicode转换为UTF-8过程Demo

碎碎念：
这几天在学习Python对Unicode的支持

上学的时候，计算机基础课上总能听到老师讲什么字节，字符，Unicode，UTF-8吧啦吧啦一堆，反正我是只记住了名字，至于具体这些名字所表达的含义，当时的我是一点也没有想要好好了解的意愿，必竟是一看就会睡着的内容。

那时候心里想的是，老师能不能快点讲一些可以“实战”的东西，这些理论的内容真真太无聊，太无趣了。

啊啊啊，可是，出来混，果真迟早是要还的，那时候没听的讲，现在都要自己补回来，QAQ...

---

这篇文章主要是模拟Unicode转换UTF8编码的过程，以此来加深对Unicode和UTF8之间关系的理解。

首先明确4个基础概念：

字节： 1字节由8个二进制位组成，是计算机计算存储容量的一个计量单位（1 Byte=8 bit）

字符： 1个符号，由1个或多个字节组成

Unicode(简称UCS )： 编码规则，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。
可以将Unicode理解成一个字符数据库，每个字符都与唯一的数字关联，称为code point。这样，英文大写字母A的codepoint是U+0041。而欧元符号的codepoint是U+20A0，其他类似。一个文本字符串就是这样一系列的codepoint，表示字符串中每个字符元素。

UTF-8(Transfer format)： Unicode编码规则的具体实现（将code point转换到程序数据的编码方案）

我是这样理解的：字节:单位名称，字符：内容呈现，Unicode：制定规则，UTF-8：规则实现

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 （16进制）	UTF-8编码方式 (2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，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。

脚本主要实现思路

• 指定一个字符，找到其在Unicode规范中对应的code point。
• 将code point 转换为10进制
• 根据上一步得到的10进制数，判断指定的字符需要使用几个字节表示
• 根据Unicode，utf8转换规则，将步骤2得到的2进制数通过Utf8编码方式重新编码
• 打印结果（指定字符的utf8编码）

代码：

UnicodeSet={"A":"41","严":"4E25","汉":"6C49","test":"10ffff"}
utf8Set=[]

test = "严"
if test in UnicodeSet:
    # 将code point 转换为10进制数字

    tencode = int(UnicodeSet[test], base=16)
    twocode = bin(tencode)[2:]

    #判断测试字符需要几个字节表示
    if 0<=  tencode <=127:
        codeLevel=1

    elif 128 <= tencode <= 2047:
        codeLevel = 2

    elif 2048 <= tencode <= 65535:
        codeLevel = 3

    elif 65536 <= tencode <=1114111:
        codeLevel = 4
    else:
        print("超出编码范围")

    # 按UTF8编码规则对code point 进行编码
    if codeLevel == 1:
        rescode = twocode
    else:
        pre = -6
        after = len(twocode)
        for i in range(codeLevel):

            singleByte = "10"+twocode[pre:after]
            pre = pre - 6
            after = after -6

            if i == codeLevel-1:
                numzero = 8-codeLevel-len(twocode[0:-after])-1
                singleByte ="1"*codeLevel+"0"+"0"*numzero+twocode[0:-after]
            utf8Set.append(singleByte)
        utf8code = "".join(utf8Set[::-1])
        rescode = hex(int(utf8code,base=2))[2:]

print(f"Unicode定义字符 {test} 的 codepoint为: {UnicodeSet[test]}\
                                              \n 将codepoint转换为utf8编码：{rescode}")

小白的记录帖，不足之处，欢迎指出

版权声明：原创文章，欢迎转载，转载请注明出处 http://www.cnblogs.com/kaerxifa/p/8910024.html