Calculate the number of UTF8 characters

原创 2016年08月30日 17:49:50

字符(char)与字节(byte)的语义差别

python中要计算str包含多少个字符,可以用len()函数:

$ len('ABC')
3
$ len('中文')
2

len()函数计算的是str的字符数,如果换成bytes,len()函数就计算字节数:

$ len(b'ABC')
3
$ len(b'\xe4\xb8\xad\xe6\x96\x87')
6
$ len('中文'.encode('utf-8'))
6

可见,1个中文字符经过UTF-8编码后通常会占用3个字节,而1个英文字符只占用1个字节。

在操作字符串时,常遇到char和bytes的互相转换。为了避免乱码,应当始终坚持使用UTF-8编码对str和bytes进行转换。

ASCII 与UTF-8

ASCII

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。

The first 32 of ASCII character table are non-printing characters.
这里写图片描述

Extended ASCII Codes
这里写图片描述

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。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 (十六进制) | UTF-8编码方式(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

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。

以UTF-8编码方式计算字符串中的字符数

int CalcUTF8Chars(const std::string& S)
{
    int Count = 0;
    if (S.empty()) 
        return 0;
    //S.length(),returns the length of the string, in terms of bytes.
    for (size_t i = 0; i != S.length(); i++){
       if ((S[i] & 0xC0) != 0x80) { 
            Count++; 
        }
    }
    return Count;
}

Calculate the number of UTF8 characters ,这个函数在含有Emogi(字符表情)的字符串,存入数组等情况有用处。

版权声明:

相关文章推荐

Illegal mix of collations (latin1_swedish_ci,IMPLICIT) and (utf8_general_ci,COERCIBLE) for operation

MYSQL错误:Illegal mix of collations (latin1_swedish_ci,COERCIBLE) and (gbk_chinese_ci,COERCIBLE) for o...

mysql错误提示Illegal mix of collations (gbk_chinese_ci,IMPLICIT) and (utf8_general_ci,COERCIBLE)的一个解决办法

mysql 中关于:Error Code: 1267 Illegal mix of collations (gbk_chinese_ci,IMPLICIT) and (utf8_general_ci,...

数据库错误发生 1267 Illegal mix of collations (gbk_chinese_ci,IMPLICIT) and (utf8_general_ci,COERCIBLE) fo

在操作MYsql数据库时,报“ error code [1267]; Illegal mix of collations (gbk_chinese_ci,IMPLICIT) and (utf8_g...

Resin#unexpected end of file in utf8 character解决过程

2014-8-1 19:05 Resin#unexpectedend of file in utf8 character解决过程 场景 服务器使用Resin3.0.25,因业务需要修改了一个Js...
  • ybygjy
  • ybygjy
  • 2014-08-01 19:44
  • 1610

MySQL字符集 GBK、GB2312、UTF8区别 解决 MYSQL中文乱码问题

MySQL中涉及的几个字符集 character-set-server/default-character-set:服务器字符集,默认情况下所采用的。 character-set-databa...

php 如何转义emoji表情,让它可以存入utf8的数据库

方法1:base_encode64这种方法是可以,但是旧数据没有经过encode操作,取数据的时候如果统一进行decode的话,旧数据会丢失的。方法2:urlencode这个似乎可以,对没有经过enc...

gbk转utf8

gbk转utf8

win32中GBK、UTF8的互转

转 http://www.cnblogs.com/hnrainll/archive/2011/05/07/2039700.html win32中GBK、UTF8的互转 #include "...

【字符集UTF8】处理Toad显示乱码及Windows XP下无法插入“某些汉字”问题

在数据库服务器字符集为AL32UTF8,我们来思考并处理一下Windows XP环境下的Toad工具显示字符为乱码的问题。 1.鉴于《【字符集】“客户终端字符集”、“NLS_LANG”环境变...

C++编程笔记:使用WinHTTP实现HTTP访问(解决接收UTF8数据乱码问题)

实现HTTP访问的流程包括以下几步: 1, 首先我们打开一个Session获得一个HINTERNET session句柄; 2, 然后我们使用这个session句柄与服务器连接得到一个HINTER...
内容举报
返回顶部
收藏助手
不良信息举报
您举报文章:深度学习:神经网络中的前向传播和反向传播算法推导
举报原因:
原因补充:

(最多只允许输入30个字)