UTF-8，UTF-16和UTF-32

UTF-8，UTF-16和UTF-32有什么区别？

我知道他们都将存储Unicode，并且每个都使用不同的字节数来表示字符。 选择一个优于另一个是否有优势？

---

#1楼

我做了一些测试来比较MySQL中UTF-8和UTF-16之间的数据库性能。

更新速度

UTF-8

UTF-16

插入速度

删除速度

---

#2楼

Unicode是一个标准，关于UTF-x，您可以将其视为一些实际用途的技术实现：

• UTF-8 - “ 大小优化 ”：最适合基于拉丁字符的数据（或ASCII），每个字符只需1个字节，但大小相应增加符号种类（在最坏的情况下，每个字符最多可增加6个字节）
• UTF-16 - “ 平衡 ”：每个字符至少需要2个字节，足以支持现有的主流语言集，并且具有固定的大小以便于字符处理（但是大小仍然可变，每个字符最多可以增加4个字节）
• UTF-32 - “ 性能 ”：允许使用简单算法作为固定大小字符（4字节）的结果但存在内存缺点

---

#3楼

UTF-8

• 没有字节顺序的概念
• 每个字符使用1到4个字节
• ASCII是兼容的编码子集
• 完全自同步，例如来自流中任何地方的丢弃字节最多会损坏一个字符
• 几乎所有欧洲语言都以每个字符两个字节或更少的字节编码

UTF-16

• 必须使用已知的字节顺序进行解析或读取字节顺序标记（BOM）
• 每个字符使用2或4个字节

UTF-32

• 每个字符都是4个字节
• 必须使用已知的字节顺序进行解析或读取字节顺序标记（BOM）

除非大部分字符来自CJK（中文，日文和韩文）字符空间，否则UTF-8将是最节省空间的。

UTF-32最适合通过字符偏移随机访问字节数组。

---

#4楼

简而言之，使用UTF-16或UTF-32的唯一原因是分别支持非英语和古代脚本。

我想知道为什么有人会选择非UTF-8编码，因为它显然更有效的网络/编程目的。

一个常见的误解 - 后缀数字并不表示其能力。 它们都支持完整的Unicode，只是UTF-8可以用单个字节处理ASCII，因此对CPU和互联网来说效率更高/更不易损坏。

一些好的阅读： http ： //www.personal.psu.edu/ejp10/blogs/gotunicode/2007/10/which_utf_do_i_use.html和http://utf8everywhere.org

---

#5楼

我试着在我的博文中给出一个简单的解释。

UTF-32

需要32位（4字节）来编码任何字符。 例如，为了使用此方案表示“A”字符代码点，您需要以32位二进制数写入65：

00000000 00000000 00000000 01000001 (Big Endian)

如果仔细观察一下，你会发现使用ASCII方案时，最右边的7位实际上是相同的位。 但由于UTF-32是固定宽度方案 ，我们必须附加三个额外的字节。 这意味着如果我们有两个只包含“A”字符的文件，一个是ASCII编码的，另一个是UTF-32编码的，它们的大小相应地是1个字节和4个字节。

UTF-16

许多人认为，由于UTF-32使用固定宽度32位来表示代码点，因此UTF-16的固定宽度为16位。 错误！

在UTF-16中，代码点可以用16位或32位表示。 所以这个方案是可变长度编码系统。 与UTF-32相比有什么优势？ 至少对于ASCII，文件的大小不会是原始文件的4倍（但仍然是两倍），因此我们仍然不能向后兼容ASCII。

由于7位足以表示“A”字符，因此我们现在可以使用2个字节而不是像UTF-32那样的4个字节。 它看起来像：

00000000 01000001

UTF-8

你猜对了..在UTF-8中，代码点可以用32,16,24或8位表示，而作为UTF-16系统，这个也是可变长度编码系统。

最后，我们可以用与ASCII编码系统相同的方式表示“A”：

01001101

一个小例子，其中UTF-16实际上优于UTF-8：

考虑中文字母“语” - 其UTF-8编码为：

11101000 10101010 10011110

虽然它的UTF-16编码更短：

10001010 10011110

为了理解表示及其解释方式，请访问原始帖子。

---

#6楼

简而言之：

• UTF-8：可变宽度编码，向后兼容ASCII。 ASCII字符（U + 0000到U + 007F）取1个字节，代码点U + 0080到U + 07FF取2个字节，代码点U + 0800到U + FFFF取3个字节，代码点U + 10000到U + 10FFFF需要4个字节。 适合英文文本，不太适合亚洲文字。
• UTF-16：可变宽度编码。 代码点U + 0000到U + FFFF需要2个字节，代码点U + 10000到U + 10FFFF需要4个字节。 英文文本不好，适合亚洲文字。
• UTF-32：固定宽度编码。 所有代码点都占用四个字节。 巨大的记忆力，但快速操作。 很少用。

长：请参阅维基百科： UTF-8 ， UTF-16和UTF-32 。

---

#7楼

• UTF-8可变1到4个字节。

• UTF-16是可变的2或4个字节。

• UTF-32固定为4个字节。

---

#8楼

UTF-8在ASCII字符代表文本块中的大多数字符的情况下具有优势，因为UTF-8将所有字符编码为8位（如ASCII）。 还有利的是，仅包含ASCII字符的UTF-8文件具有与ASCII文件相同的编码。

UTF-16在ASCII不占优势的地方更好，因为它主要使用每个字符2个字节。 对于高阶字符，UTF-8将开始使用3个或更多字节，对于大多数字符，UTF-16仅保留2个字节。

UTF-32将覆盖4个字节中的所有可能字符。 这让它变得非常臃肿。 我想不出使用它有什么好处。

---

#9楼

如上所述，差异主要是底层变量的大小，在每种情况下变量都会变大以允许表示更多字符。

但是，字体，编码和事物都很复杂（不必要？），因此需要一个很大的链接来填充更多细节：

http://www.cs.tut.fi/~jkorpela/chars.html#ascii

不要指望理解这一切，但是如果你不想在以后遇到问题，那么尽可能多地学习，尽可能早（或者只是让其他人为你解决）。

保罗。

---

#10楼

Unicode定义了一个巨大的字符集，为每个图形符号分配一个唯一的整数值（这是一个主要的简化，实际上并不是真的，但它足够接近这个问题的目的）。 UTF-8/16/32只是对此进行编码的不同方式。

简而言之，UTF-32为每个字符使用32位值。 这允许他们为每个角色使用固定宽度的代码。

UTF-16默认使用16位，但这只能为您提供65k个可能的字符，这对于完整的Unicode集来说已经足够了。 所以一些字符使用16位值对。

UTF-8默认使用8位值，这意味着127个第一个值是固定宽度的单字节字符（最高有效位用于表示这是多字节序列的开始，留下7个实际字符值的位）。 所有其他字符编码为最多4个字节的序列（如果存储器服务）。

这导致了我们的优势。 任何ASCII字符都与UTF-8直接兼容，因此对于升级旧版应用程序，UTF-8是一种常见且明显的选择。 在几乎所有情况下，它也将使用最少的内存。 另一方面，您无法保证角色的宽度。 它可能是1,2,3或4个字符宽，这使得字符串操作变得困难。

UTF-32是相反的，它使用最多的内存（每个字符是固定的4字节宽），但另一方面，你知道每个字符都有这个精确的长度，因此字符串操作变得更加简单。 您可以根据字符串的字节长度计算字符串中的字符数。 你不能用UTF-8做到这一点。

UTF-16是一种妥协。 它允许大多数字符符合固定宽度的16位值。 因此，只要您没有中文符号，音符或其他符号，就可以假设每个字符都是16位宽。 它使用的内存比UTF-32少。 但它在某种程度上是“两个世界中最糟糕的”。 它几乎总是使用比UTF-8更多的内存，它仍然无法避免困扰UTF-8（可变长度字符）的问题。

最后，与平台支持的内容一起使用通常很有帮助。 Windows在内部使用UTF-16，因此在Windows上，这是显而易见的选择。

Linux有所不同，但它们通常使用UTF-8来处理符合Unicode的所有内容。

如此简短的回答：所有三种编码都可以编码相同的字符集，但它们将每个字符表示为不同的字节序列。

---

#11楼

根据您的开发环境，您甚至可能无法选择内部使用的字符串数据类型的编码。

但是对于存储和交换数据，我总是使用UTF-8，如果你有选择的话。 如果您主要拥有ASCII数据，这将为您提供最少量的数据传输，同时仍然可以对所有内容进行编码。 优化最少的I / O是现代机器的发展方向。

---

#12楼

在UTF-32中，所有字符都用32位编码。 优点是您可以轻松计算字符串的长度。 缺点是对于每个ASCII字符，您浪费了额外的三个字节。

在UTF-8字符具有可变长度时，ASCII字符以一个字节（八位）编码，大多数西方特殊字符以两个字节或三个字节（例如€是三个字节）编码，并且更多奇特的字符可以占用到四个字节。 明显的缺点是，先验你无法计算字符串的长度。 但与UTF-32相比，编码拉丁（英语）字母文本所需的字节数要少得多。

UTF-16也是可变长度的。 字符以两个字节或四个字节编码。 我真的没有看到这一点。 它具有可变长度的缺点，但没有像UTF-8那样节省空间的优点。

在这三个中，显然UTF-8是最广泛传播的。