【转载】BGK UTF-8编码区分

https://www.cnblogs.com/xiaoMzjm/p/4648175.html

 

UTF-8的编码规律

---

 UTF-8形式的二进制，当一个字节时，两个字节时，三、四、五、六个字节时，都有一定的格式：

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	111111x0 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx

很明显，字节数不一样的话，第一个字节是不同的，所以第一个字节可用用来表示该字符究竟占用了多少个字节。

当计算机读取到以0xxxxxxx开头的字节，那么就代表这个字节独自就已经表示某个字符了，计算机将把这个字节单独拿出来解码。

当计算机读取到以110xxxxx开头的字节，那么就代表两个字节才能表示某个字符，计算机就把这个字节以及它后面的一个字节拿出来，代表一个字符进行解码。

……

而除了第一个字节外，后面的字节都是统一的10xxxxxx格式。

有了上面的有规则的格式，按到理我们就可以使用正则表达式来检测一个二进制串是否是UTF-8编码后的串，但代码中操作二进制并不方便，结合URL为16进制的特点，我们可以用正则表达式判断16进制的串。

 

如何构造正则表达式

---

 

我们先看看这种编码格式前一个字节的范围：

	二进制	十六进制
1字节	00000000~01111111	00~7f
2字节	11000000~11011111	c0~df
3字节	11100000~11101111	e0~df
4字节	11110000~11110111	f0~f7
5字节	11111000~11111011	f8~fb
6字节	11111100~11111101	fc~fd

以上的范围可用计算机自行验证：

后面格式相同的字节10xxxxxx的范围：

10000000~10111111

80~bf

按照这种格式，UTF-8编码格式最多可用用来表示一个1+5*6=31位的二进制串，共使用6个字节。

按照这种规律，我们先练一下手，尝试把“字”转化为UTF-8的十六进制：

java使用的字符集是unicode的，所以我们以unicode为例子。

1、找出“字”在unicdoe字符集中的序号：

1 2 3

public static void main(String[] args) {     System.out.println((int)'字'); }

结果为：23383

2、把23383转化二进制：　　

23383

101101101010111

可用看出，二进制共15位，按照UTF-8的编码格式，得用3个字节来表示。

我们把101101101010111从后往前分成三组：101，101101，010111

填充到3字节的UTF-8编码格式中为：

1110xxxx  10xxxxxx  10xxxxxx

11100101 10101101 10010111

3、使用计算器把二进制转化为16进制为：

OxE5  OxAD  Ox97

4、使用网上的工具验证一下，结果吻合，说明这种规律是正确的。

 

 

上面已经介绍了UTF-8的规律，那么我们借助强大的正则表达式，就可以判断一个URL串是经过什么编码格式编码的了。

先把上面的表复制下来容易观察：

	二进制	十六进制
1字节	00000000~01111111	00~7f
2字节	11000000~11011111	c0~df
3字节	11100000~11101111	e0~df
4字节	11110000~11110111	f0~f7
5字节	11111000~11111011	f8~fb
6字节	11111100~11111101	fc~fd

1字节时：[\\x00-\\x7f]---------------------------------1

2字节时：[\\xc0-\\xdf][\\x80-\\xbf]-------------------2

3字节时：[\\xe0-\\xef][\\x80-\\xbf]{2}--------------3

4字节时：[\\xf0-\\xf7][\\x80-\\xbf]{3}--------------4

5字节时：[\\xf8-\\xfb][\\x80-\\xbf]{4}--------------5

6字节时：[\\xfc-\\xfd][\\x80-\\xbf]{5}--------------6

使用或组合在一起就是：^([\\x00-\\x7f]|[\\xc0-\\xdf][\\x80-\\xbf]|[\\xe0-\\xef][\\x80-\\xbf]{2}|[\\xf0-\\xf7][\\x80-\\xbf]{3}|[\\xf8-\\xfb][\\x80-\\xbf]{4}|[\\xfc-\\xfd][\\x80-\\xbf]{5})+$

判断过程是这样子的：例如【字】经过UTF-8编码后，为：%e5 %ad %97，共3个字节，符合第3字节的情况，第一个字节e5在[\\xe0-\\xef]范围内，后两个字节ad和97都在[\\x80-\\xbf]范围内。

所以我们可以说这个字符是经过UTF-8编码的。我们就可以使用UTF-8编码格式对其进行解码了。

java代码如下：

1     protected static final Pattern utf8Pattern = Pattern.compile("^([\\x00-\\x7f]|[\\xc0-\\xdf][\\x80-\\xbf]|[\\xe0-\\xef][\\x80-\\xbf]{2}|[\\xf0-\\xf7][\\x80-\\xbf]{3}|[\\xf8-\\xfb][\\x80-\\xbf]{4}|[\\xfc-\\xfd][\\x80-\\xbf]{5})+$");
2                 Matcher matcher = utf8Pattern.matcher(pureValue);
3                 if (matcher.matches()) {
4                     return "UTF-8";
5                 } else {
6                     return "GBK";
7                 }

 

缺陷

---

 　　使用上面的方法，貌似没什么问题，不过GBK编码后是以两个两个字节呈现的，而UTF-8也有两个字节的情况，所以当一个字符经GBK编码后，转化为16进制，而刚好这个16进制的范围落入UTF-8的两个字节的范围，那么就会被误判成UTF-8，从而导致解码错误。那真的有可能会出现这种情况吗？

答案是会的，我们查看下GBK简体中文编码表。

发现有一部分范围落入了UTF-8的二进制范围了。

从：

一直到：

即UTF-8十六进制中两个字节的范围[\\xc0-\\xdf][\\x80-\\xbf]，GBK都有。

例如上面表的第二个中文【愧】，愧的GBK十六进制是C0 A0，那么完全符合UTF-8正则表达式中二字节的[\\xc0-\\xdf][\\x80-\\xbf]这个判断，所以会被误认为是UTF-8编码。

注：该缺陷第一次看，是在下方“参考"的第一篇博客里，尝试了一下，的确有缺陷。 

 

尝试修复缺陷

---

根据下面"参考"的第一篇博客，修复的思路是把重复的区域都认为是GBK编码。

我们截取正则表达式的前两种情况（一字节、二字节的情况）来排除：^([\\x01-\\x7f]|[\\xc0-\\xdf][\\x80-\\xbf])+$

假如某个16进制串match该正则表达式，就认为是GBK编码的。

修改后的代码为：

 1     protected static final Pattern utf8Pattern = Pattern.compile("^([\\x01-\\x7f]|[\\xc0-\\xdf][\\x80-\\xbf]|[\\xe0-\\xef][\\x80-\\xbf]{2}|[\\xf0-\\xf7][\\x80-\\xbf]{3}|[\\xf8-\\xfb][\\x80-\\xbf]{4}|[\\xfc-\\xfd][\\x80-\\xbf]{5})+$");
 2     protected static final Pattern publicPattern = Pattern.compile("^([\\x01-\\x7f]|[\\xc0-\\xdf][\\x80-\\xbf])+$");
 3 Matcher publicMatcher = publicPattern.matcher(str);
 4                 if(publicMatcher.matches()) {
 5                     return "GBK";
 6                 }
 7                 
 8                 Matcher matcher = utf8Pattern.matcher(str);
 9                 if (matcher.matches()) {
10                     return "UTF-8";
11                 } else {
12                     return "GBK";
13                 }

 

又一缺陷

---

 但这样一来，原本是一个字节或两字节，且是UTF-8编码的，就会被误判为GBK。。。

但是，这总比被误判成UTF-8好，因为我们查看Unicode编码表：

可以发现，第一个中文是“一”，转化为UTF-8的话已经排到3个字节去了，所以2个字节内不会出现中文。

但是GBK中，中文是两个字节的。

所以，采用上面的修复缺陷的方法，可以保证中文不会乱码。对于某些网站，只需保证中文不会乱码即可，比如说国内的各种中文购物网站。这些网站中商品的标题一般都是中文的，用户一般以中文搜索，我们尽可能保证中文不乱码即可。

所以，该技术还是有一定用处的。

 

参考

---

1、http://www.cnblogs.com/chengmo/archive/2011/02/19/1958657.html

2、http://www.cnblogs.com/chengmo/archive/2010/10/30/1864004.html

3、unicode编码表

4、GBK简体中文表