轉(zhuǎn)載自??Unicode與UTF-8的區(qū)別

要弄清Unicode與UTF-8的關(guān)系，我們還得從他們的來源說起，下來我們從剛開始的編碼說起，直到Unicode的出現(xiàn)，我們就會(huì)感覺到他們之間的關(guān)系?

ASCII碼

我們都知道，在計(jì)算機(jī)的世界里，信息的表示方式只有0和1,但是我們?nèi)祟愋畔⒈硎镜姆绞絽s與之大不相同，很多時(shí)候是用語言文字、圖像、聲音等傳遞信息的。

那么我們?cè)鯓訉⑵滢D(zhuǎn)化為二進(jìn)制存儲(chǔ)到計(jì)算機(jī)中，這個(gè)過程我們稱之為編碼。更廣義地講就是把信息從一種形式轉(zhuǎn)化為另一種形式的過程。?

我們知道一個(gè)二進(jìn)制有兩種狀態(tài)：”0” 狀態(tài) 和 “1”狀態(tài)，那么它就可以代表兩種不同的東西，我們想賦予它什么含義，就賦予什么含義，比如說我規(guī)定，“0” 代表 “吃過了”, “1”代表 “還沒吃”。

這樣，我們就相當(dāng)于把現(xiàn)實(shí)生活中的信息編碼成二進(jìn)制數(shù)字了，并且這個(gè)例子中是一位二進(jìn)制數(shù)字，那么2位二進(jìn)制數(shù)可以代表多少種情況能？對(duì)，是四種，2^2,分別是 00、01、10、11，那7種呢？答案是2^7=128。

我們知道，在計(jì)算機(jī)中每八個(gè)二進(jìn)制位組成了一個(gè)字節(jié)（Byte），計(jì)算機(jī)存儲(chǔ)的最小單位就是字節(jié)，字節(jié)如下圖所示?：

?

所以早期人們用8位二進(jìn)制來編碼英文字母(最前面的一位是0)，也就是說，將英文字母和一些常用的字符和這128中二進(jìn)制0、1串一一對(duì)應(yīng)起來，比如說 大寫字母“A”所對(duì)應(yīng)的二進(jìn)制位“01000001”，轉(zhuǎn)換為十六進(jìn)制為41。

在美國(guó)，這128是夠了，但是其他國(guó)家不答應(yīng)啊，他們的字符和英文是有出入的，比如在法語中在字母上有注音符號(hào)，如?é?,這個(gè)怎么表示成二進(jìn)制？

所以各個(gè)國(guó)家就決定把字節(jié)中最前面未使用的那一個(gè)位拿來使用，原來的128種狀態(tài)就變成了256種狀態(tài)，比如é就被編碼成130（二進(jìn)制的10000010）。

為了保持與ASCII碼的兼容性，一般最高為為0時(shí)和原來的ASCII碼相同，最高位為1的時(shí)候，各個(gè)國(guó)家自己給后面的位(1xxx xxxx)賦予他們國(guó)家的字符意義。

但是這樣一來又有問題出現(xiàn)了，不同國(guó)家對(duì)新增的128個(gè)數(shù)字賦予了不同的含義，比如說130在法語中代表了é,但是在希伯來語中卻代表了字母Gimel（這不是希伯來字母，只是讀音翻譯成英文的形式）具體的希伯來字母Gimel看下圖?

?

所以這就成了不同國(guó)家有不同國(guó)家的編碼方式，所以如果給你一串二進(jìn)制數(shù)，你想要解碼，就必須知道它的編碼方式，不然就會(huì)出現(xiàn)我們有時(shí)候看到的亂碼?。

?

Unicode的出現(xiàn)

Unicode為世界上所有字符都分配了一個(gè)唯一的數(shù)字編號(hào)，這個(gè)編號(hào)范圍從?0x000000 到 0x10FFFF(十六進(jìn)制)，有110多萬，每個(gè)字符都有一個(gè)唯一的Unicode編號(hào)，這個(gè)編號(hào)一般寫成16進(jìn)制，在前面加上U+。例如：“馬”的Unicode是U+9A6C。

Unicode就相當(dāng)于一張表，建立了字符與編號(hào)之間的聯(lián)系

?

它是一種規(guī)定，Unicode本身只規(guī)定了每個(gè)字符的數(shù)字編號(hào)是多少，并沒有規(guī)定這個(gè)編號(hào)如何存儲(chǔ)。

有的人會(huì)說了，那我可以直接把Unicode編號(hào)直接轉(zhuǎn)換成二進(jìn)制進(jìn)行存儲(chǔ)，是的，你可以，但是這個(gè)就需要人為的規(guī)定了，而Unicode并沒有說這樣弄，因?yàn)槌四氵@種直接轉(zhuǎn)換成二進(jìn)制的方案外，還有其他方案，接下來我們會(huì)逐一看到。?

編號(hào)怎么對(duì)應(yīng)到二進(jìn)制表示呢？有多種方案：主要有UTF-8，UTF-16，UTF-32。

1、UTF-32?

先來看簡(jiǎn)單的UTF-32?

這個(gè)就是字符所對(duì)應(yīng)編號(hào)的整數(shù)二進(jìn)制形式，四個(gè)字節(jié)。這個(gè)就是直接轉(zhuǎn)換。 比如馬的Unicode為：U+9A6C，那么直接轉(zhuǎn)化為二進(jìn)制，它的表示就為：1001 1010 0110 1100。

這里需要說明的是，轉(zhuǎn)換成二進(jìn)制后計(jì)算機(jī)存儲(chǔ)的問題，我們知道，計(jì)算機(jī)在存儲(chǔ)器中排列字節(jié)有兩種方式：大端法和小端法，大端法就是將高位字節(jié)放到底地址處，比如0x1234, 計(jì)算機(jī)用兩個(gè)字節(jié)存儲(chǔ)，一個(gè)是高位字節(jié)0x12,一個(gè)是低位字節(jié)0x34，它的存儲(chǔ)方式為下：

?

UTF-32用四個(gè)字節(jié)表示，處理單元為四個(gè)字節(jié)（一次拿到四個(gè)字節(jié)進(jìn)行處理），如果不分大小端的話，那么就會(huì)出現(xiàn)解讀錯(cuò)誤，比如我們一次要處理四個(gè)字節(jié) 12 34 56 78，這四個(gè)字節(jié)是表示0x12 34 56 78還是表示0x78 56 34 12 ？不同的解釋最終表示的值不一樣。

我們可以根據(jù)他們高低字節(jié)的存儲(chǔ)位置來判斷他們所代表的含義，所以在編碼方式中有UTF-32BE和UTF-32LE，分別對(duì)應(yīng)大端和小端，來正確地解釋多個(gè)字節(jié)（這里是四個(gè)字節(jié)）的含義。

?

2、UTF-16?

UTF-16使用變長(zhǎng)字節(jié)表示?

① 對(duì)于編號(hào)在U+0000到U+FFFF的字符（常用字符集），直接用兩個(gè)字節(jié)表示。?
② 編號(hào)在?U+10000到U+10FFFF之間的字符，需要用四個(gè)字節(jié)表示。

同樣，UTF-16 也有字節(jié)的順序問題（大小端），所以就有UTF-16BE表示大端，UTF-16LE表示小端。

?

3、UTF-8?

UTF-8就是使用變長(zhǎng)字節(jié)表示,顧名思義，就是使用的字節(jié)數(shù)可變，這個(gè)變化是根據(jù)Unicode編號(hào)的大小有關(guān)，編號(hào)小的使用的字節(jié)就少，編號(hào)大的使用的字節(jié)就多。使用的字節(jié)個(gè)數(shù)從1到4個(gè)不等。

UTF-8的編碼規(guī)則是：

①?對(duì)于單字節(jié)的符號(hào)，字節(jié)的第一位設(shè)為0，后面的7位為這個(gè)符號(hào)的Unicode碼，因此對(duì)于英文字母，UTF-8編碼和ASCII碼是相同的。?

②?對(duì)于n字節(jié)的符號(hào)（n>1）,第一個(gè)字節(jié)的前n位都設(shè)為1，第n+1位設(shè)為0，后面字節(jié)的前兩位一律設(shè)為10，剩下的沒有提及的二進(jìn)制位，全部為這個(gè)符號(hào)的Unicode碼 。

舉個(gè)例子：比如說一個(gè)字符的Unicode編碼是130，顯然按照UTF-8的規(guī)則一個(gè)字節(jié)是表示不了它（因?yàn)槿绻且粋€(gè)字節(jié)的話前面的一位必須是0），所以需要兩個(gè)字節(jié)(n = 2)。

根據(jù)規(guī)則，第一個(gè)字節(jié)的前 2 位都設(shè)為1，第3(2+1)位設(shè)為0，則第一個(gè)字節(jié)為：110X XXXX，后面字節(jié)的前兩位一律設(shè)為10，后面只剩下一個(gè)字節(jié)，所以后面的字節(jié)為：10XX XXXX。

所以它的格式為110XXXXX?10XXXXXX 。

下面我們來具體看看具體的Unicode編號(hào)范圍與對(duì)應(yīng)的UTF-8二進(jìn)制格式?

?

那么對(duì)于一個(gè)具體的Unicode編號(hào)，具體怎么進(jìn)行UTF-8的編碼呢？

首先找到該Unicode編號(hào)所在的編號(hào)范圍，進(jìn)而可以找到與之對(duì)應(yīng)的二進(jìn)制格式，然后將該Unicode編號(hào)轉(zhuǎn)化為二進(jìn)制數(shù)（去掉高位的0），最后將該二進(jìn)制數(shù)從右向左依次填入二進(jìn)制格式的X中，如果還有X未填，則設(shè)為0 。

比如：“馬”的Unicode編號(hào)是：0x9A6C,整數(shù)編號(hào)是39532，對(duì)應(yīng)第三個(gè)范圍（2048 - 65535），其格式為：1110XXXX 10XXXXXX 10XXXXXX，39532?對(duì)應(yīng)的二進(jìn)制是?1001 1010 0110 1100，將二進(jìn)制填入進(jìn)入就為：?

11101001?10101001?10101100?。

?

?

由于UTF-8的處理單元為一個(gè)字節(jié)（也就是一次處理一個(gè)字節(jié)），所以處理器在處理的時(shí)候就不需要考慮這一個(gè)字節(jié)的存儲(chǔ)是在高位還是在低位，直接拿到這個(gè)字節(jié)進(jìn)行處理就行了，因?yàn)榇笮《耸轻槍?duì)大于一個(gè)字節(jié)的數(shù)的存儲(chǔ)問題而言的。

綜上所述，UTF-8、UTF-16、UTF-32都是Unicode的一種實(shí)現(xiàn)。

創(chuàng)作挑戰(zhàn)賽新人創(chuàng)作獎(jiǎng)勵(lì)來咯，堅(jiān)持創(chuàng)作打卡瓜分現(xiàn)金大獎(jiǎng)

總結(jié)

以上是生活随笔為你收集整理的Unicode与UTF-8的区别的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。