https://www.cnblogs.com/zizifn/p/4716712.html

从字节理解Unicode（UTF8/UTF16)

如果你不知道或者不了解什么是Unicode/UTF8/UTF16，请详细阅读这篇文章（这也是这篇博文的先决条件）：

学点编码知识又不会死：Unicode的流言终结者和编码大揭秘

但是如果你看完以上文章后，疑惑为什么一个Unicode:0x4F60（对应汉字是"你"）会在UTF8下占用3个字节的存储空间。

按照排列组合2个字节完全可以存储多数unicode字符，明显字符"你"（0x4F60）是在2个字节最大可能范围内（0xFFFF）。

但是为什么UTF8却使用3个字节存储字符"你"呢？这样不是明显浪费存储空间吗？

答案不仅是UTF8没有浪费存储空间，而且UTF8还是一个精美的设计，至少在我看来。

Unicode/UTF8/UTF16

虽然你或许可能知道什么UTF8，但是我还是要简单介绍下什么是UTF8？什么是UTF16？什么是unicode？

看完我开头推荐的那篇详细的博文（学点编码知识又不会死：Unicode的流言终结者和编码大揭秘）。你应该知道unicode是一种索引表，它规定了任何字符的code。比如：字符"你"就是0x4F60,在整个宇宙（你确定是整个宇宙？）的任何地方，只要你用的是unicode，那么"你"的unicode就是"0x4F60"。

所以Unicode并不关心世界上有多少字符，如果你想把一个字符放入Unicode中，那么请告诉我你要放的是什么字符？那么Unicode会给你个索引号码？比如：汉字"你"就是"0x4F60"。也就是假如有一天人类统一了"三体星人"（可惜的是三体星已经被摧毁了。。），我们也可以把三体星文加入到Unicode中。

当然Unicode同样不关心你怎么实现，你怎么把字符编码成字节？所以unicode并不知道字符"你"占用几个字节。这时候就是UTF(Unicode Transformation Formats)来规定unicode字符该如何存储，占用几个字节？

总而言之：

Unicode定义世界每个字符的索引值。

UTF8/UTF16实现Unicode的标准，把字符存储到存储介质中。

从字节角度看UTF8

我们知道存储字节多少只和UTF有关，那么我们先看UTF8一张表.详情请查看wikipedia的介绍 。当然你看百度百科也是可以的。

Bits of

code point

First

code point

Last

code point

Bytes in

sequence

Byte 1

Byte 2

Byte 3

Byte 4

Byte 5

Byte 6

  7

U+0000

U+007F

1

0xxxxxxx

11

U+0080

U+07FF

2

110xxxxx

10xxxxxx

16

U+0800

U+FFFF

3

1110xxxx

10xxxxxx

10xxxxxx

21

U+10000

U+1FFFFF

4

11110xxx

10xxxxxx

10xxxxxx

10xxxxxx

26

U+200000

U+3FFFFFF

5

111110xx

10xxxxxx

10xxxxxx

10xxxxxx

10xxxxxx

31

U+4000000

U+7FFFFFFF

6

1111110x

10xxxxxx

10xxxxxx

10xxxxxx

10xxxxxx

10xxxxxx

根据这张表，我们可以知道0x4F60（字符"你"）是在范围（0x0800-0xFFFF），所以在UF8下需要3个字节来存储。

下面让例子来阐述为什么需要3个字节？首先，先看下这3个字节存放的是什么？

在windows新建一个txt，写入字符"UTF8你"（加入UTF8是为了有个基准线查看"你"的真实字节值），然后另存为UTF8编码。用notepad++（需要装HEX-editor插件）或者Binary Viewer，查看"你"在UTF8下的16进制值。

我们知道字符"UTF8"16进制就是他们的ASNI码"0x55,0x54,0x46,0x38".那么字符"你"在UTF8下3个字节的值是"0xE4/0xBD/0xA0".

"0xE4"-->"11100100".

"0xBD"-->"10111101".

"0xA0"-->"10100000".

查看上面UTF8的表，表给出给出每个字节 的前几个固定的二进制数。

比如3个字节的Unicode会用到这个格式："1110xxxx 10xxxxxx 10xxxxxx"来存储字符，对应到字符"你"就是"11100100 /10111101/ 10100000"。

拿出红色标注的部分"0100 111101 100000"，转换成16进制就是"0x4F60"也就对应的是Unicode字符"你"。

现在我们可以知道UTF8固定每个字节的前面几位二进制值，然后用其他的位来表示字符。但是为什么UTF8的设计者们要这样设计呢？

我想这是UTF8为了兼容ASNI所要付出的代价，请查看上表，UTF8下是完全兼容asni，也就是asni标准的下的文档，在UTF8下显示完全不是问题（因为ASNI存储字节值和UTF8是一样的）。字符都是一个一个字节存储的，UTF8肯定是一个一个字节的读取，那么UTF8怎么在完全兼容ASNI前提下，是怎么知道某个字符是需要额外字节信息的？UTF8只有固定前几位二进制来决定这个字符需要以后的几个字节，又因为为了兼容ASNI，所以额外字节也需要固定前2位"10xxxxxx"，来决定这个字节值不是代表ASNI字符。ASNI的格式是“0xxxxxxx”。

另外，你也完全可以自己实现一个标准来解释Unicode，比如就叫做UTF9吧，只要你能完全解释Unicode。

实际上是有UTF7,UTF8,UTF16,UTF32的。

从字节角度看UTF16

同样的，我们把txt:"UTF8你"另存为UTF16编码（windows下unicode编码就是指UTF16）。

UTF16下的每个字符需要是2个或者4个字节。

字符"UTF8"在UTF16下就是"0x55/0x0054/0x0045/0x0038",那为什么图片中是0x5500呢？这涉及到高字节序和低字节序。开头的那篇文章也有介绍。字节序仅仅就是先把字符的高位或者低位先放入存储的而已。

  1. 高字节序，高位字节被存在前面
  2. 低字节序，低位字节被存在前面

比如字符"你""0x4F60"，第一个字节是"4F"是"高位"，第二个字节是"60"是"低位".

稍微解释下为什么左边是高位，玩笑话就是想想你的银行账户当然是左面数值多才有意义啊。

那么按照"低字节序" "0x4F60"就被存储为"60 4F"拉。在intel CPU下默认是"低字节序"。

在UTF16下，存储的字节值和unicode是一一对应的。但是UTF16显示英文（asni）就浪费一个字节。所以英文国家用UTF8的编码比较多。反之其他国家用UTF16的较多。

字节顺序标记(BOM)

不知道你有没有注意到，在UTF16下的这张图，地址第0，第1位是"FF FE"

这就是BOM，通过FF FE或者FE FF来告诉解释器是那种字节序。

那么你也许会问，为什么UTF8没有字节序呢？那是因为UTF8是以字节为单位，一个一个字节读取。UTF16是以字为单位，一个一个字符（2个字节或者4个字节）读取，这样就会涉及先读取第一个或者第二个字节的情况。

希望这篇文章从存储字节角度看UTF8和UTF16会为给你带来不一样的感觉。

编码（2）从字节理解Unicode（UTF8/UTF16)的更多相关文章

  1. 从字节理解Unicode（UTF8/UTF16)

    如果你不知道或者不了解什么是Unicode/UTF8/UTF16,请详细阅读这篇文章(这也是这篇博文的先决条件): 学点编码知识又不会死:Unicode的流言终结者和编码大揭秘 但是如果你看完以上文章 ...

  2. 关于编码：Unicode/UTF-8/UTF-16/UTF-32

    关于编码,绕不开下面这些概念 ①Unicode/UTF-8/UTF-16/UTF-32 ②大小端字节序(big-endian/little-endian) ③BOM(Byte Order Mark) ...

  3. 细说：Unicode, UTF-8, UTF-16, UTF-32, UCS-2, UCS-4

    1. Unicode与ISO 10646 全世界很多个国家都在为自己的文字编码,并且互不想通,不同的语言字符编码值相同却代表不同的符号(例如:韩文编码EUC-KR中“한국어”的编码值正好是汉字编码GB ...

  4. 一句话理解字符编码(Unicode ,UTF8,UTF16)

    Unicode和ASCII码属于同一级别的,都是字符集,字符集规定从1到这个字符集的最大范围每个序号都各表示什么意思.比如ASCII字符集中序号65表示"A". 那接下来的UTF8 ...

  5. 字符编码详解及由来(UNICODE,UTF-8,GBK)[转帖]

    相信許多人對字符編碼都不是很了解,透過下文可以清晰的理解各种字符编码方式详解及由来. 一直对字符的各种编码方式懵懵懂懂,什么ANSI.UNICODE.UTF-8.GB2312.GBK.DBCS.UCS ...

  6. 字符编码详解及由来(UNICODE,UTF-8,GBK)

        一直对字符的各种编码方式懵懵懂懂,什么ANSI.UNICODE.UTF-8.GB2312.GBK.DBCS.UCS--是不是看的很晕,假如您细细的阅读本文你一定可以清晰的理解他们.Let's ...

  7. Unicode(UTF-8, UTF-16)令人混淆的概念

    为啥需要Unicode 我们知道计算机其实挺笨的,它只认识0101这样的字符串,当然了我们看这样的01串时肯定会比较头晕的,所以很多时候为了描述简单都用十进制,十六进制,八进制表示.实际上都是等价的, ...

  8. (转) Unicode(UTF-8, UTF-16)令人混淆的概念

    原文地址:http://www.cnblogs.com/kingcat/archive/2012/10/16/2726334.html 为啥需要Unicode 我们知道计算机其实挺笨的,它只认识010 ...

  9. Unicode(UTF-8, UTF-16)令人混淆的概念（转）

    文章转自http://www.cnblogs.com/kingcat/archive/2012/10/16/2726334.html (http://swiftlet.net/archives/cat ...

随机推荐

  1. Spring学习-01

    一.Srping 一个轻量级DI.IOC.AOP的容器框架 DI:依赖注入 IOC:控制反转 AOP:面向切面 二.构造器注入 Constructor-arg 属性:index/name/type/r ...

  2. bond绑定两张物理网卡为一张逻辑网卡

    问题:cnetos7同时接入两个独立网络,但两个网络的IP网段相同时只能路由到一个网络 解决方法:使用bond绑定两张物理网卡为一张逻辑网卡 1.新建文件bond.conf,内容如下 alias bo ...

  3. FFMPEG增加和提取字幕流

    转自 https://www.cnblogs.com/satng/p/5514683.html 防抽复制一遍 增加字幕流ffmpeg -i video.avi -i sub.ass -map 0:0 ...

  4. JavaScript基础视频教程总结（131-140章）

    <!DOCTYPE html> <html> <head> <meta charset="utf-8" /> <title&g ...

  5. update_or_create()

    update_or_create(默认值=无,** kwargs)¶ 使用给定更新对象的便捷方法,kwargs必要时创建新对象.这defaults是用于更新对象的(字段,值)对的字典.值中的值defa ...

  6. python turtle库

    turtle库初步 先看 https://www.cnblogs.com/chy8/p/9448606.html 一 turtle库介绍 turtle乌龟 import turtle from tur ...

  7. UEditor可以如何直接复制word的图文内容到编辑器中？

    下载并打开工程: 文档的上传 运行: 复制随便一篇文档,粘贴进去. 通过粘贴后,文档以及图片被粘贴进来了,看看html代码:   图片全部使用img标签统一.传输进度条的效果也不错. 文档图片被放置在 ...

  8. 回顾django内容

    回顾: 1 HTTP协议:(重点) -请求 -请求首行 -GET /index HTTP/1.1 -请求头部(在django框架中,可以从META中取出来) -key:value------>\ ...

  9. matplotlib&numpy画图

    import numpy as np import matplotlib.pyplot as plt x=np.linspace(0,6,100) y=np.cos(2*np.pi*x)*np.exp ...

  10. 传统对象池&AB对象池

    前序: Q:为啥需要对象池? A: 游戏中大量出现或销毁对象时会反复的开堆和放堆,程序与内存之间交互过于频繁导致资源的大量浪费 Q: 对象池实现原理? A: 当子对象池没有物体的时候,它会和普通没加对 ...