编码格式 和 长度计算

》字符串的结束符

在C语言中没有专门的字符串变量，通常用一个字符数组来存放一个字符串。字符串总是以'\0'作为串的结束符。因此当把一个字符串存入一个数组时，也把结束符 '\0'存入数组，并以此作为该字符串是否结束的标志。有了'\0'标志后，就不必再用字符数组的长度来判断字符串的长度了。

 

Unicode编码

Unicode码内容：它前128个字符就是ASCII码，之后是扩展码。

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。

 

编号从0开始的32种状态分别规定了特殊的用途，终端、打印机遇上约定好的这些字节被传过来时，就要做一些约定的动作。于是就把这些0x20以下的字节状态称为"控制码"。

 

GBK编码

》GBK编码，是在GB2312-80标准基础上的内码扩展规范，使用了双字节编码方案，其编码范围从8140至FEFE（剔除xx7F），共23940个码位，共收录了21003个汉字，完全兼容GB2312-80标准，支持国际标准ISO/IEC10646-1和国家标准GB13000-1中的全部中日韩汉字，并包含了BIG5编码中的所有汉字。GBK编码方案于1995年10月制定， 1995年12月正式发布，目前中文版的WIN95、WIN98、WINDOWS NT以及WINDOWS 2000、WINDOWS XP、WIN 7等都支持GBK编码方案。

》字符有一字节和双字节编码，00–7F范围内是一位，和ASCII保持一致，此范围内严格上说有96个字符和32个控制符号。

00-7F属于ASCII编码, 8140-FEFE才属于GBK编码, GBK编码支持与ASCII编码混编. 字符串中, 英文与数字字符属于ASCII编码, 故占用一个字节, 中文字符属于GBK编码, 故占用两个字节。实际是GBK字符集里也有英文与数字字符, 但属于全角字符, 占用两字节，看使用者用的是半角的还是全角的。

 

 

UTF-8编码

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。

占2个字节的：带有附加符号的拉丁文、希腊文、西里尔字母、亚美尼亚语、希伯来文、阿拉伯文、叙利亚文及它拿字母则需要二个字节编码

占3个字节的：基本等同于GBK，含21000多个汉字

占4个字节的：中日韩超大字符集里面的汉字，有5万多个，通常汉字占三个字节，扩展B区以后的汉字占四个字节。

一个utf8数字占1个字节

一个utf8英文字母占1个字节

少数是汉字每个占用3个字节，多数占用4个字节。

UTF-8采用如下所示的二进制方式来表示31位UCS-4，X表示有效位：

1字节 0XXXXXXX

2字节 110XXXXX 10XXXXXX

3字节 1110XXXX 10XXXXXX 10XXXXXX

4字节 11110XXX 10XXXXXX 10XXXXXX 10XXXXXX

5字节 111110XX 10XXXXXX 10XXXXXX 10XXXXXX 10XXXXXX

6字节 1111110X 10XXXXXX 10XXXXXX 10XXXXXX 10XXXXXX 10XXXXXX

从上可以看得出，如果处在第一字节的引导字节最高位为0，则是一字节。否则看前导1的个数，来确定是几个字节长。前导1与有效位之间有0相隔，也可以通过首字节的值范围来确定字节数。

1字节 0  ~127

2字节 192~223

3字节 224~239

4字节 240~247

5字节 248~251

6字节 252~253

随后的字节每个都以10为前导位，取值范围则在128~191之间。可以立即得知一个字节是否为后续字节，因为引导字节的引导位不是00、01就是11，不会是10。