【基础】Unicode与UTF8编码区别

一. 基础

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，但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 (ג)，在俄语编码中又会代表另一个符号。

1. 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。
2. 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256x256=65536个符号。

二. Unicode

① Unicode的定义

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二进制编码那么乱码问题就会消失这就是Unicode，这是一种所有符号的编码。
Unicode的学名为"Universal Multiple-Octet Coded Character Set"简称为UCS。

1. Unicode是一种字符编码方法，不过它是由国际组织设计可以容纳全世界所有语言文字的编码方案。
2. Unicode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二进制编码都不一样。
   比如U+0x0639表示阿拉伯字母Ain，U+0x0041表示英语的大写字母A，U+0x4E25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.

② 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编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0x4E25，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。

这里就有两个严重的问题

1. 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。
2. 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。

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。

三. 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1~6个字节表示一个符号根据不同的符号而变化字节长度。

① UTF-8的编码规则

UTF-8的编码规则很简单

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UTF-8编码规则，如下图所示4个字节的Unicode最多可以表示2^21-1个UTF-8字符，目前来看已经都可以满足了。

   |  Unicode符号范围      |  UTF-8编码方式  
 n |  (十六进制)           | (二进制)  
---+-----------------------+------------------------------------------------------  
 1 | 0000 0000 ~ 0000 007F |                                              0xxxxxxx  
 2 | 0000 0080 ~ 0000 07FF |                                     110xxxxx 10xxxxxx  
 3 | 0000 0800 ~ 0000 FFFF |                            1110xxxx 10xxxxxx 10xxxxxx  
 4 | 0001 0000 ~ 0010 FFFF |                   11110xxx 10xxxxxx 10xxxxxx 10xxxxxx  
 5 | 0020 0000 ~ 03FF FFFF |          111110xx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx  
 6 | 0400 0000 ~ 7FFF FFFF | 1111110x 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx

下面以汉字严为例，演示如何实现UTF-8编码。
已知严的Unicode是0x4E25(1001110 00100101)，根据上表可以发现0x4E25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"。
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 1011100010100101"，转换成十六进制就是0xE4B8A5。