文章为博主日常学习之用,写下来也就等于多看了几遍,又深入想了一下,加深记忆。
有一次面试,面试官问我:UTF-8和UTF-16有什么区别?
内心OS:WHAT?那么刁钻的问题也问吗。然后简单地回答道:UTF-8使用一个字节编码,UTF-16使用两个字节编码。(不完全错,但是肯定没回答道点子上)
然后面试结果可想而知...
好了,那么UTF-8和UTF-16到底有什么区别呢?带着这个问题,我们来看看编码方式的发展过程。
1. ASCII
上世纪60年代,美国制定了一套字符编码,对英文字符与二进制位之间的关系,做了统一的规定。一个字节为8位,可以表示从00000000-11111111的共256个不同状态,总共可以代表256个符号,这就是ASCII码。ASCII就是将最高位设置为0,取其中的128中不同状态,对应了128个不同的符号。
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)。
但是当ASCII传到其他国家时,就有了问题,比如我高贵的法国人字母上面的还有注音符,这个怎么区分,得,把高1位编进来吧,这样欧洲普遍使用一个全字节进行编码,最多可表示256位。欧美人就是喜欢直来直去,字符少,编码用得位数少;
但是即使位数少,不同国家地区用不同的字符编码,虽然0-127表示的符号是一样的,但是128--255这一段的解释完全乱套了,即使2进制完全一样,表示的字符完全不一样,比如135在法语,希伯来语,俄语编码中完全是不同的符号;
更麻烦的是,尼玛这电脑高科技传到中国后,中国人发现我们有10万多个汉字,你们欧美这256字塞牙缝都不够。于是就发明了GB2312这些汉字编码。
2. GB2312
中国国家标准总局1980年发布,1981年5月1日开始实施的一套国家标准,标准号是GB2312—1980。
GB2312典型的用2个字节来表示绝大部分的常用汉字,最多可以表示256*256=65536个汉字字符,这样就不难理解有些汉字你在新华字典里查得到,但是电脑上如果不处理一下你是显示不出来的了吧。
3. Unicode
这下各用各的字符集编码,这世界咋统一?俄国人发封email给中国人,两边字符集编码不同,尼玛显示都是乱码啊。为了统一,于是就发明了unicode,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,现在unicode已经容纳100多万个符号,每个符号的编码都不一样,这下可统一了,所有语言都可以互通,一个网页页面里可以同时显示各国文字。
然而,unicode虽然统一了全世界字符的二进制编码,但没有规定如何存储啊,亲。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,文本文件的大小会因此大出二三倍,这对于存储来说是极大的浪费。这样导致一个后果:出现了Unicode的多种存储方式。UTF-8是目前占用存储最少,又可以包含很多个统一字符的存储方式。
4. UTF-8
互联网的兴起,网页上要显示各种字符,必须统一啊,亲。utf-8就是Unicode最重要的实现方式之一。UTF-8不是固定字长编码的,而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。这是种比较巧妙的设计,如果一个字节的第一位是0,则这个字节单独就是一个字符;如果第一位是1,则连续有多少个1,就表示当前字符占用多少个字节。
-
对应单字节符号,字节的第一位设为0,后面的7位为这个符号的Unicode码。因此对于英语字母,UTF-8编码和ASCII编码是相同的。
-
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。
UTF-8 使用1~4个字节为每个字符编码。128 个 ASCII 字符(Unicode 范围由 U+0000 至 U+007F)只需一个字节,带有变音符号的拉丁文、希腊文、西里尔字母、亚美尼亚语、希伯来文、阿拉伯文、叙利亚文及马尔代夫语(Unicode 范围由 U+0080 至 U+07FF)需要二个字节,其他基本多文种平面(BMP)中的字符(CJK属于此类-Qieqie注)使用三个字节,其他 Unicode 辅助平面的字符使用四字节编码。
可以看到,UTF-8在4个字节的时候,可变化的位数为3+6+6+6=21位。也就是有2的21次方,约为209W种变化。1~3位可表示的变化数在7W左右,所以UTF-8总共大概有216W种变化,可以表示216W个字符。这其中已经使用了一百多万中变化,还有一百多万中空余。
注意unicode的字符编码和utf-8的存储编码表示是不同的,例如"严"字的Unicode码是4E25,UTF-8编码是E4B8A5。UTF-8编码不仅考虑了编码,还考虑了存储,E4B8A5是在存储识别编码的基础上塞进了4E25。4E25所在的范围是第三位,0800-FFFF。所以使用3个字节存储。将4E25=0100 1110 0010 0101依次放进UTF-8编码的可变位x里,就得到11100100 10111000 10100101=E4B8A5.
5. UTF-16
utf-16一般使用2个字节表示一个字符。也是变长的编码方式,使用2个或4个字节表示一个字符(2个字节不够用时,使用4个字节存储)。UTF-16比起UTF-8,好处在于大部分字符都以固定长度的字节 (2字节) 储存,但UTF-16却无法兼容ASCII编码。
现在,回到最初的问题:UTF-8和UTF-16有什么区别?
UTF-8使用1~4个字节进行编码,可兼容ASCII码。在字符都是ASCII码的情况下,存储空间使用最少。
UTF-16使用2个或者4个字节进行编码,不能兼容ASCII码,好处在于大部分字符以2个字节存储。
UTF-8和UTF-16有什么相同之处?
都是Unicode的存储方式。
写到这里,也就明白了为什么大部分的文档和代码的编码方式都是UTF-8,它不仅兼容了ASCII码,还提供了一种占用空间最小的存储方式,可以表达世界上的所有字符。到目前为止,还有很多空闲位可以表示字符。
另一个问题:汉字是以几个字节进行存储的?
在GB2312里,是用2个字节存储一个汉字,但只能表示常用的65536个汉字。
UTF-8里,绝大部分汉字汉字是以3个字节进行存储。其实UTF-8里的3个字节也是有65536种变化,这样一些稀有字将以4个字节进行存储。
参考文章:
http://www.ruanyifeng.com/blog/2007/10/ascii_unicode_and_utf-8.html
文中部分说法来自百度知道,但找不到出处,有知道的还请提醒。