1.概念原理

1.1 UTF8的存储结构

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：

1）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。

2）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 | UTF-8编码方式

(十六进制)              |         （二进制）

————————+———————————————

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

上面的编码解码方式的解释:

UTF8编码方式编码,可以表示0000 0000 – 0010 FFFF 这么多个字符

(转换成10进制为111 4111个),

这样我们需要把我们日常用到的字符编码表示,

比如 A这个就可以用0x41这个十六进制数表示(十进制是65),

这个0x41在0000 0000  –  0000 007F 范围之内,所以当我们在一个文件中输入A,并使用UTF8方式编码,

然后把A保存到磁盘,那么这个A就会被编码成一个字节表示,即01000001.

然后,当我们再次打开这个文件,就涉及到解码,打开文件时从磁盘上读取的其实是一系列的01串,

对于上面输入的A,计算机读取到的就是01000001,因为01000001不容易识别,需要解码,

这时根据UTF8的编码解码规则,一个字节以0开头则这个单字节就可以表示一个字符,

于是将01000001转换成16进制为0x41,在根据0x41一查编码表就显示成A了.

再看一个中文汉字的情况:

假设我们又新建了一个空文件,输入一个”我”,

查表: http://www.chi2ko.com/tool/CJK.htm 后知道 我的UTF8编码是 “0x6211”,

属于 0000 0800  –  0000 FFFF 范围内(1110xxxx 10xxxxxx 10xxxxxx),需要3个字节存储

0x6211转换为二进制为 1100010 00010001,按照规则,编码成UTF8为 1110xxxx 10xxxxxx 10xxxxxx格式

 

用”我”的二进制码,替换过程如下:

1110xxxx 10xxxxxx 10xxxxxx

110   001000   010001

11100110 10001000 10010001

即,将”我”的二进制码110   001000   010001,从高位到低位依次替换1110xxxx 10xxxxxx 10xxxxxx中的x.

于是将”我”保存到文件中,写入磁盘的就是11100(110) 10(001000) 10(010001)三个字节.

 

保存后我们打开这个文件,首先读取二进制码时,按照字节读取,先得到一个字节11100110,

根据规则:第一个字节的前三位是111第四位为0,表示当前读取的字符需要用三个字节表示,

于是再继续读取后续的两个字节10001000 10010001,就读取了 11100110 10001000 10010001 这个三个字节

再根据UTF8的编码规则,反向解析出110   001000   010001

一拼接得到110001000010001转换成16进制为0x6211,一查表就显示成”我”了.

 

2.UTF16 编码算法

Java中char使用的是Unicode编码,使用的算法就是UTF16.

Unicode编码表的专业术语：

代码点 (code point):

指在Unicode编码表中一个字符所对应的代码值。

如汉字“一”的代码点是U+4E00，英文字母“A”的代码点是U+0041。

 

代码单元( code unit):

规定16bits的存储容量就是一个代码单元。

//注:这里指16bits的存储单元比较好吧?个人理解:就是16位的0,1组合,就是保存时,磁盘上的格式

 

Unicode编码表 分为17个代码级别 (code plane)，

其中代码点\u0000-\uFFFF为第一级别 —基本多语言级别 (basic multilingual plane),

可以用一个代码单元存储一个代码点。

其余16个附加级别 从0x10000-0x10FFFF（需要两个代码单元）。

其中需要指出的是:在多语言级别中，U+D800-U+DFFF这2048值没有表示任何字符，

被称为Unicode的替代区域(surrogate area)。

UTF-16正是的运用了这一区域，用2个代码单元(2*16bits)巧妙的表示出20bits代码点的Unicode附加级别。

 

注:

这里是说,java中的Unicode的可表示的字符数量为20bits的就是从

00000000 00000000 00000000 ~ 00001111 11111111 11111111

附加级别的char能表示么?

 

UTF-16编码算法

假设U是一个代码点，也就是Unicode编码表中一个字符所对应的Unicode值。

(1) 如果U<U+10000，也就是处于Unicode的基本多语言级别中。

这样16bits(一个代码单元)就足够表示出字符的Unicode值.

注: 16bits正好是两个字节,Java中char类型的就是保存这个代码点的,就是两个字节.

 

(2) 如果U+10FFFF>U>=U+10000，也就是处于附加级别中。UTF-16用2个16位来表示出了，

并且正好将每个16位都控制在替代区域U+D800-U+DFFF 中了,具体操作如下：

问:当一个代码单元在U+D800-U+DFFF中时,表示需要两个代码单元(32bits,4个字节,),这样一个char如何表示呢? (存储的时候,U+10FFFF>U>=U+10000范围内的都是20bits的,用UTF16特殊算法,变成两个16bits存储)

 

分别初始化2个16位无符号的整数

—— W1和W2,

其中

W1=110110yyyyyyyyyy（0xD800-0xDBFF）,

W2 = 110111xxxxxxxxxx(0xDC00-OxDFFF)。

然后，将U的高10位分配给W1的低10位，将U的低10位分配给W2的低10位。

这样就可以将20bits的代码点U拆成两个16bits的代码单元。

而且这两个代码点正好落在替代区域U+D800-U+DFFF中。

 

具体举个例子：代码点U+1D56B（一个整数集的算术符号Z）

0x1D56B= 0001 1101 0101 0110 1011

将0x1D56B的高10位0001 1101 01分配给W1的低10位组合成110110 0001 1101 01=0xD875

将0x1D56B的低10位01 0110 1011分配给W2的低10位组合成110111 01 0110 1011=0xDD6B

这样代码点U+1D56B采用UTF-16编码方式，用2个连续的代码单元U+D875和U+DD68表示出了。

—————————————————————————————————-

参考:

1. http://hxraid.iteye.com/blog/559607

2. http://www.cnblogs.com/chenchaospr/archive/2008/05/12/1193443.html

1). ASCII码

我们知道，在计算机内部，所有的信息最终都表示为一个二进制的字符串。每一个二进制位（bit）有0和1两种状态，

因此八个二进制位就可以组合出256种状态，这被称为一个字节（byte）。也就是说，一个字节一共可以用来表示256种不同的状态，

每一个状态对应一个符号，就是256个符号，从0000000到11111111。

上个世纪60年代，美国制定了一套字符编码，对英语字符与二进制位之间的关系，做了统一规定。这被称为ASCII码，一直沿用至今。

ASCII码一共规定了128个字符的编码，比如空格“SPACE”是32（二进制00100000），大写的字母A是65（二进制01000001）。这128个符号（包括32个不能打印出来的控制符号），只占用了一个字节的后面7位，最前面的1位统一规定为0。

2)、非ASCII编码

英语用128个符号编码就够了，但是用来表示其他语言，128个符号是不够的。比如，在法语中，字母上方有注音符号，它就无法用ASCII码表示。于是，一些欧洲国家就决定，利用字节中闲置的最高位编入新的符号。比如，法语中的é的编码为130（二进制10000010）。这样一来，这些欧洲国家使用的编码体系，可以表示最多256个符号。

但是，这里又出现了新的问题。不同的国家有不同的字母，因此，哪怕它们都使用256个符号的编码方式，代表的字母却不一样。比如，130在法语编码中代表了é，在希伯来语编码中却代表了字母Gimel (?)，在俄语编码中又会代表另一个符号。但是不管怎样，所有这些编码方式中，0—127表示的符号是一样的，不一样的只是128—255的这一段。

至于亚洲国家的文字，使用的符号就更多了，汉字就多达10万左右。一个字节只能表示256种符号，肯定是不够的，就必须使用多个字节表达一个符号。比如，简体中文常见的编码方式是GB2312，使用两个字节表示一个汉字，所以理论上最多可以表示256×256=65536个符号。

中文编码的问题需要专文讨论，这篇笔记不涉及。这里只指出，虽然都是用多个字节表示一个符号，但是GB类的汉字编码与后文的Unicode和UTF-8是毫无关系的。

3).Unicode

正如上一节所说，世界上存在着多种编码方式，同一个二进制数字可以被解释成不同的符号。因此，要想打开一个文本文件，就必须知道它的编码方式，否则用错误的编码方式解读，就会出现乱码。为什么电子邮件常常出现乱码？就是因为发信人和收信人使用的编码方式不一样。

可以想象，如果有一种编码，将世界上所有的符号都纳入其中。每一个符号都给予一个独一无二的编码，那么乱码问题就会消失。这就是Unicode，就像它的名字都表示的，这是一种所有符号的编码。

Unicode当然是一个很大的集合，现在的规模可以容纳100多万个符号。每个符号的编码都不一样，比如，U+0639表示阿拉伯字母Ain，U+0041表示英语的大写字母A，U+4E25表示汉字“严”。具体的符号对应表，可以查询unicode.org，或者专门的汉字对应表。

4). Unicode的问题

需要注意的是，Unicode只是一个符号集，它只规定了符号的二进制代码，却没有规定这个二进制代码应该如何存储。

比如，汉字“严”的unicode是十六进制数4E25，转换成二进制数足足有15位（100111000100101），也就是说这个符号的表示至少需要2个字节。

表示其他更大的符号，可能需要3个字节或者4个字节，甚至更多。

这里就有两个严重的问题，第一个问题是，如何才能区别unicode和ascii？计算机怎么知道三个字节表示一个符号，而不是分别表示三个符号呢？

第二个问题是，我们已经知道，英文字母只用一个字节表示就够了，如果unicode统一规定，每个符号用三个或四个字节表示，

那么每个英文字母前都必然有二到三个字节是0，这对于存储来说是极大的浪费，文本文件的大小会因此大出二三倍，这是无法接受的。

它们造成的结果是：

1）出现了unicode的多种存储方式，也就是说有许多种不同的二进制格式，可以用来表示unicode。

2）unicode在很长一段时间内无法推广，直到互联网的出现。

5)UTF-8

互联网的普及，强烈要求出现一种统一的编码方式。UTF-8就是在互联网上使用最广的一种unicode的实现方式。

其他实现方式还包括UTF-16和UTF-32，不过在互联网上基本不用。

重复一遍，这里的关系是，UTF-8是Unicode的实现方式之一。

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：

1）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。

2）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 | UTF-8编码方式

(十六进制) | （二进制）

——————–+———————————————

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

赞 赏

   微信赞赏  支付宝赞赏

本文固定链接: https://www.jack-yin.com/coding/thinking-in-java/172.html | 边城网事