编码知识学习笔记之三
一.UTF-8的如何编码
UTF-8就是以8位为单元对UCS进行编码。从UCS-2到UTF-8的编码方式如下:
序号 | UCS-2编码的范围(16进制) | UTF-8 字节流(二进制) | 说明 |
1 | 0000 - 007F | 0xxxxxxx | 1个字节,格式为 |
2 | 0080 - 07FF | 110xxxxx 10xxxxxx | 2个字节,格式分别为 110xxxxx 10xxxxxx |
3 | 0800 - FFFF | 1110xxxx 10xxxxxx 10xxxxxx | 3个字节,格式分别为: 1110xxxx 10xxxxxx 10xxxxxx |
二.UTF-8编码举例
例如“汉”字的Unicode编码是6C49。6C49在0800-FFFF之间,所以肯定要用3字节模板了:1110xxxx 10xxxxxx 10xxxxxx。
将6C49写成二进制是:0110 110001 001001, 用这个比特流依次代替模板中的x,得到:11100110 10110001 10001001,即E6 B1 89。
三.UTF-16的如何编码
UTF -16以16位为单元对UCS进行编码。
对于小于0x10000的UCS码,UTF-16编码就等于UCS码对应的16位无符号整数。
对于大于或者等于 0x10000的UCS码,定义了一个算法。
不过由于实际使用的UCS2,或者UCS4的BMP必然小于0x10000,所以就目前而言,可以认为UTF -16和UCS-2基本相同。
四.UTF-16与UCS-2的区别
UCS-2仅仅只是一个编码方案,UTF-16却要用于实际的传输,所以就不得不考虑字节序的问题。
五.为什么UTF编码会有字节序的问题
UTF -8以字节为编码单元,没有字节序的问题。
UTF-16以两个字节为编码单元,在解释一个UTF-16文本前,首先要弄清楚每个编码单元的字节序。例如收到一个“奎”的Unicode编码是594E,“乙”的Unicode编码是4E59。如果我们收到UTF-16字节流“594E”,那么这是“奎”还是 “乙”?
六.UFT字节序理解
UTF-8没有字节序的问题
UTF-16有字节序的问题
七.如何解决UTF-16字节序的问题
Unicode规范中推荐的标记字节顺序的方法是BOM。BOM不是“Bill Of Material”的BOM表,而是Byte Order Mark。BOM具体方法:
在UCS 编码中有一个叫做"ZERO WIDTH NO-BREAK SPACE"的字符,它的编码是FEFF。而FFFE在UCS中是不存在的字符,所以不应该出现在实际传输中。UCS规范建议我们在传输字节流前,先传输字符"ZERO WIDTH NO-BREAK SPACE"。
这样如果接收者收到FEFF,就表明这个字节流是Big-Endian的;如果收到FFFE,就表明这个字节流是Little-Endian的。因此字符"ZERO WIDTH NO-BREAK SPACE"又被称作BOM。
七.解决UTF-16字节序的问题的方法:
BOM
BOM是Byte Order Mark的缩写
八.BOM的实现思想:
在UCS 编码中有一个叫做"ZERO WIDTH NO-BREAK SPACE"的字符,它的编码是FEFF。而FFFE在UCS中是不存在的字符,所以不应该出现在实际传输中。UCS规范建议我们在传输字节流前,先传输字符"ZERO WIDTH NO-BREAK SPACE"。
这样如果接收者收到FEFF,就表明这个字节流是Big-Endian的;如果收到FFFE,就表明这个字节流是Little-Endian的。因此字符"ZERO WIDTH NO-BREAK SPACE"又被称作BOM。
九.BOM对UTF-8的意义是什么
UTF -8是不需要用BOM来表明字节顺序,但可以用BOM来表明编码方式。
字符"ZERO WIDTH NO-BREAK SPACE"的UTF-8编码是EF BB BF
所以接收者如果收到以EF BB BF开头的字节流,就知道这是UTF-8编码了。