Unicode 和 UTF 8 有什麼區別

2021-08-22 04:46:34 字數 4007 閱讀 4043

很久很久以前,有一群人,他們決定用8個可以開合的電晶體來組合成不同的狀態,以表示世界上的萬物。他們看到8個開關狀態是好的,於是他們把這稱為」位元組「。再後來,他們又做了一些可以處理這些位元組的機器,機器開動了,可以用位元組來組合出很多狀態,狀態開始變來變去。他們看到這樣是好的,於是它們就這機器稱為」計算機「。

開始計算機只在美國用。八位的位元組一共可以組合出256(2的8次方)種不同的狀態。

他們把其中的編號從0開始的32種狀態分別規定了特殊的用途,一但終端、印表機遇上約定好的這些位元組被傳過來時,就要做一些約定的動作:

遇上0×10, 終端就換行;

遇上0×07, 終端就向人們嘟嘟叫;

遇上0x1b, 印表機就列印反白的字,或者終端就用彩色顯示字母。

他們看到這樣很好,於是就把這些0×20以下的位元組狀態稱為」控制碼」。他們又把所有的空

格、標點符號、數字、大小寫字母分別用連續的位元組狀態表示,一直編到了第127號,這樣計算機就可以用不同位元組來儲存英語的文字了。大家看到這樣,都感覺

很好,於是大家都把這個方案叫做ansi的」ascii」編碼(american standard code for information interchange,美國資訊互換標準**)。當時世界上所有的計算機都用同樣的ascii方案來儲存英文文字。

後來,就像建造巴比倫塔一樣,世界各地都開始使用計算機,但是很多國家用的不是英文,他們的字母裡有許多是ascii裡沒有的,為了可以在計算機儲存他們的文字,他們決定採用

127號之後的空位來表示這些新的字母、符號,還加入了很多畫**時需要用下到的橫線、豎線、交叉等形狀,一直把序號編到了最後乙個狀態255。從128 到255這一頁的字符集被稱」擴充套件字符集「。從此之後,貪婪的人類再沒有新的狀態可以用了,美帝國主義可能沒有想到還有第三世界國家的人們也希望可以用到計算機吧!

等中國人們得到計算機時,已經沒有可以利用的位元組狀態來表示漢字,況且有6000多個常用漢字需要儲存呢。但是這難不倒智慧型的中國人民,我們不客氣地把那些127號之後的奇異符號們直接取消掉, 規定:乙個小於127的字元的意義與原來相同,但兩個大於127的字元連在一起時,就表示乙個漢字,前面的乙個位元組(他稱之為高位元組)從0xa1用到0xf7,後面乙個位元組(低位元組)從0xa1到0xfe,這樣我們就可以組合出大約7000多個簡體漢字了。在這些編碼裡,我們還把數學符號、羅馬希臘的字母、日文的假名們都編進去了,連在 ascii 裡本來就有的數字、標點、字母都統統重新編了兩個位元組長的編碼,這就是常說的」全形」字元,而原來在127號以下的那些就叫」半形」字元了。中國人民看到這樣很不錯,於是就把這種漢字方案叫做 「gb2312「。gb2312 是對 ascii 的中文擴充套件。

但是中國的漢字太多了,我們很快就就發現有許多人的人名沒有辦法在這裡打出來,特別是某些很會麻煩別人的國家領導人。於是我們不得不繼續把gb2312 沒有用到的碼位找出來老實不客氣地用上。後來還是不夠用,於是乾脆不再要求低位元組一定是127號之後的內碼,只要第乙個位元組是大於127就固定表示這是乙個漢字的開始,不管後面跟的是不是擴充套件字

符集裡的內容。結果擴充套件之後的編碼方案被稱為gbk標準,gbk包括了gb2312 的所有內容,同時又增加了近20000個新的漢字(包括繁體字)和符號。 後來少數民族也要用電腦了,於是我們再擴充套件,又加了幾千個新的少數民族的字,gbk擴成了gb18030。從此之後,中華民族的文化就可以在計算機時代中傳承了。 中國的程式設計師們看到這一系列漢字編碼的標準是好的,於是通稱他們叫做 「dbcs「(double byte charecter set 雙位元組字符集)。在dbcs系列標準裡,最大的特點是兩位元組長的漢字字元和一位元組長的英文本元並存於同一套編碼方案裡,因此他們寫的程式為了支援中文處理,必須要注意字串裡的每乙個位元組的值,如果這個值是大於127的,那麼就認為乙個雙位元組字符集裡的字元出現了。那時候凡是受過加持,會程式設計的計算機僧侶們都要每天念下面這個咒語數百遍: 「乙個漢字算兩個英文本元!乙個漢字算兩個英文本元……」

因為當時各個國家都像中國這樣搞出一套自己的編碼標準,結果互相之間誰也不懂誰的編碼,誰也不支援別人的編碼,連大陸和台灣這樣只相隔了150海浬,使用著同一種語言的兄弟地區,也分別採用了不同的 dbcs 編碼方案——當時的中國人想讓電腦顯示漢字,就必須裝上乙個」漢字系統」,專門用來處理漢字的顯示、輸入的問題,像是那個台灣的愚昧封建人士寫的算命程式就必須加裝另一套支援 big5 編碼的什麼」倚天漢字系統」才可以用,裝錯了字元系統,顯示就會亂了套!這怎麼辦?而且世界民族之林中還有那些一時用不上電腦的窮苦人民,他們的文字又怎麼辦? 真是計算機的巴比倫塔命題啊!

正在這時,大天使加百列及時出現了——乙個叫iso(國際標誰化組織)的國際組織決定著手解決這個問題。他們採用的方法很簡單:廢了所有的地區性編碼方案,重新搞乙個包括了地球上所有文化、所有字母和符號 的編碼!他們打算叫它」universal multiple-octet coded character set」,簡稱ucs, 俗稱 「unicode「。

unicode開始制訂時,計算機的儲存器容量極大地發展了,空間再也不成為問題了。於是 iso

就直接規定必須用兩個位元組,也就是16位來統一表示所有的字元,對於ascii裡的那些「半形」字元,unicode包持其原編碼不變,只是將其長度由原來的8位擴充套件為16位,而其他文化和語言的字元則全部重新統一編碼。由於」半形」英文符號只需要用到低8位,所以其高8位永遠是0,因此這種大氣的方案在儲存英文文字時會多浪費一倍的空間。

這時候,從舊社會裡走過來的程式設計師開始發現乙個奇怪的現象:他們的 strlen 函式靠不住了,乙個漢字不再是相當於兩個字元了,而是乙個!是的,從unicode開始,無論是半形的英文本母,還是全形的漢字,它們都是統一的」乙個字元「!同時,也都是統一的」兩個位元組「,請注意」字元」和」位元組」兩個術語的不同,「位元組」是乙個8位的物理存貯單元,而「字元」則是乙個文化相關的符號。在unicode中,乙個字元就是兩個位元組。乙個漢字算兩個英文本元的時代已經快過去了。

unicode同樣也不完美,這裡就有兩個的問題,乙個是,如何才能區別unicode和ascii?計算機怎麼知道三個位元組表示乙個符號,而不是分別表示三個符號呢?第二個問題是,我們已經知道,英文本母只用乙個位元組表示就夠了,如果unicode統一規定,每個符號用三個或四個位元組表示,那麼每個英文本母前都必然有二到三個位元組是0,這對於儲存空間來說是極大的浪費,文字檔案的大小會因此大出二三倍,這是難以接受的。

unicode在很長一段時間內無法推廣,直到網際網路的出現,為解決unicode如何在網路上傳輸的問題,於是面向傳輸的眾多utf(ucs transfer format)標準出現了,顧名思義,utf-8就是每次8個位傳輸資料,而utf-16就是每次16個位。utf-8就是在網際網路上使用最廣的一種unicode的實現方式,這是為傳輸而設計的編碼,並使編碼無國界,這樣就可以顯示全世界上所有文化的字元了。utf-8最大的乙個特點,就是它是一種變長的編碼方式。它可以使用1~4個位元組表示乙個符號,根據不同的符號而變化位元組長度,當字元在ascii碼的範圍時,就用乙個位元組表示,保留了ascii字元乙個位元組的編碼做為它的一部分,注意的是unicode乙個中文字元佔2個位元組,而utf-8乙個中文字元佔3個位元組)。從unicode到utf-8並不是直接的對應,而是要過一些演算法和規則來轉換。

unicode符號範圍 | utf-8編碼方式

(十六進製制) | (二進位制)

—————————————————————–

0000 0000-0000 007f | 0******x

0000 0080-0000 07ff | 110***xx 10******

0000 0800-0000 ffff | 1110***x 10****** 10******

0001 0000-0010 ffff | 11110*** 10****** 10****** 10******

最後簡單總結一下:

Unicode 和 UTF 8 有什麼區別?

很久很久以前,有一群人,他們決定用8個可以開合的電晶體來組合成不同的狀態,以表示世界上的萬物。他們看到8個開關狀態是好的,於是他們把這稱為 位元組 再後來,他們又做了一些可以處理這些位元組的機器,機器開動了,可以用位元組來組合出很多狀態,狀態開始變來變去。他們看到這樣是好的,於是它們就這機器稱為 計...

Unicode 和 UTF 8 有什麼區別?

很久很久以前,有一群人,他們決定用8個可以開合的電晶體來組合成不同的狀態,以表示世界上的萬物。他們看到8個開關狀態是好的,於是他們把這稱為 位元組 再後來,他們又做了一些可以處理這些位元組的機器,機器開動了,可以用位元組來組合出很多狀態,狀態開始變來變去。他們看到這樣是好的,於是它們就這機器稱為 計...

Unicode和UTF 8有和區別

關於字符集,之前一直就只知道寫 時成員間統一用utf 8,就不會出現問題,也沒有繼續深入 今天在網上搜了一些資料,總算弄清楚了,下面大致以簡明的方式總結一下 具體 unicode 字符集為每乙個字元分配乙個碼位,例如 知 的碼位是 30693,記作 u 77e5 30693 的十六進製制為 0x77...