关于Lua获取中文字符串长度和编码问题的整理

最新推荐文章于 2023-10-07 15:41:24 发布

Majin_2.0.exe

最新推荐文章于 2023-10-07 15:41:24 发布

阅读量3.1k

点赞数 1

分类专栏：海中拾遗文章标签：字符串 lua

本文链接：https://blog.csdn.net/weixin_43284350/article/details/118306005

版权

海中拾遗专栏收录该内容

2 篇文章 0 订阅

订阅专栏

字符编码的前备知识

一、字节

很久很久以前，有一群人，他们决定用8个可以开合的晶体管来组合成不同的状态，以表示世界上的万物。他们看到8个开关状态是好的，于是他们把这称为”字节“。再后来，他们又做了一些可以处理这些字节的机器，机器开动了，可以用字节来组合出很多状态，状态开始变来变去。他们看到这样是好的，于是它们就这机器称为”计算机“。
**so: 字节是是计算机信息计量单位，一个字节包含八个bit。**bit是计算机存储数据的最小单位，只有0和1两种值。而8个bit组成了信息的最小单位，也就是字节。8位的字节一共可以组合出256(2的8次方)种不同的状态。

二、编码

ASCII方案 : 开始计算机只在美国用。八位的字节一共可以组合出256(2的8次方)种不同的状态。他们把其中的编号从0开始的32种状态分别规定了特殊的用途，一但终端、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。遇上0×10, 终端就换行，遇上0×07, 终端就向人们嘟嘟叫，例好遇上0x1b, 打印机就打印反白的字，或者终端就用彩色显示字母。他们看到这样很好，于是就把这些0×20以下的字节状态称为”控制码”。他们又把所有的空格、标点符号、数字、大小写字母分别用连续的字节状态表示，一直编到了第127号，这样计算机就可以用不同字节来存储英语的文字了。大家看到这样，都感觉很好，于是大家都把这个方案叫做 ANSI 的”Ascii”编码（American Standard Code for Information Interchange，美国信息互换标准代码）。当时世界上所有的计算机都用同样的ASCII方案来保存英文文字。

标准ASCII 码也叫基础ASCII码，使用7 位二进制数（剩下的1位二进制为0）来表示所有的大写和小写字母，数字0 到9、标点符号

128 到255这一页的字符集被称”扩展字符集“。

0～31及127(共33个)是控制字符或通信专用字符，**如控制符：LF（换行）、CR（回车）、FF（换页）、DEL（删除）、BS（退格)、BEL（响铃）等；

通信专用字符：SOH（文头）、EOT（文尾）、ACK（确认）等；

ASCII值为8、9、10 和13 分别转换为退格、制表、换行和回车字符。它们并没有特定的图形显示，但会依不同的应用程序，而对文本显示有不同的影响。

32～126(共95个)是字符(32是空格），其中48～57为0到9十个阿拉伯数字。

65～90为26个大写英文字母，97～122号为26个小写英文字母，其余为一些标点符号、运算符号等。

GB2312 ：是对 ASCII 的中文扩展，一个小于127的字符的意义与原来相同，但两个大于127的字符连在一起时，就表示一个汉字，前面的一个字节（他称之为高字节）从0xA1用到 0xF7，后面一个字节（低字节）从0xA1到0xFE，这样我们就可以组合出大约7000多个简体汉字了。在这些编码里，我们还把数学符号、罗马希腊的字母、日文的假名们都编进去了，连在 ASCII 里本来就有的数字、标点、字母都统统重新编了两个字节长的编码，这就是常说的”全角”字符，而原来在127号以下的那些就叫”半角”字符了。

GBK 标准：由于中国的汉字太多了，我们很快就就发现有许多人的人名没有办法在这里打出来，特别是某些很会麻烦别人的国家领导人。于是我们不得不继续把 GB2312 没有用到的码位找出来老实不客气地用上。后来还是不够用，于是干脆不再要求低字节一定是127号之后的内码，只要第一个字节是大于127就固定表示这是一个汉字的开始，不管后面跟的是不是扩展字符集里的内容。结果扩展之后的编码方案被称为 GBK 标准，GBK包括了GB2312 的所有内容，同时又增加了近20000个新的汉字（包括繁体字）和符号。

unicode编码：因为当时各个国家都像中国这样搞出一套自己的编码标准，结果互相之间谁也不懂谁的编码，谁也不支持别人的编码，一个叫 ISO （国际标谁化组织）的国际组织决定着手解决这个问题。他们采用的方法很简单：废了所有的地区性编码方案，重新搞一个包括了地球上所有文化、所有字母和符号的编码！简称 UCS, 俗称 “unicode“。

UTF-8/16/32标准：unicode在很长一段时间内无法推广，直到互联网的出现，为解决unicode如何在网络上传输的问题，于是面向传输的众多 UTF（UCS Transfer Format）标准出现了，顾名思义，UTF-8就是每次8个位传输数据，而UTF-16就是每次16个位。，是在互联网上使用最广的一种unicode的实现方式，这是为传输而设计的编码，并使编码无国界，这样就可以显示全世界上所有文化的字符了。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，当字符在ASCII 码的范围时，就用一个字节表示，保留了ASCII字符一个字节的编码做为它的一部分，注意的是unicode一个中文字符占2个字节，而UTF-8一个中文字符占3个字节）。从unicode到uft-8并不是直接的对应，而是要过一些算法和规则来转换

Java,C#和JavaScript的字符串都是采用UTF-16编码，UTF-16作为等宽字符（“注：其实不是”），运算速度自然比变长的UTF-8要快，而且在Windows和OSX这样的操作系统内部的字符串也是使用UTF-16来表达，但是新晋的Go和Rust都是采用UTF-8作为原生字符串的编码方式，是什么原因让Go和Rust没有选择UTF-16呢？

链接：https://www.zhihu.com/question/35214880

UTF-16 曾经是可以当定长编码用的，这也是当初会选择他们的主要原因。
但是计划比不上变化快，Unicode收录的字符很快就超过了65536个。
所以如果还想用定长编码似乎只能采取UTF-32这种编码方式了。

可是这种方式最大的问题是即使是英文字母也要四个字节来存储，空间浪费太大了。
所以UTF-8这种变长编码方式开始流行起来了，英文字母只需要一个字节，汉字三个字节。
更古怪更稀有的字符可以用四个，五个或更多字节表示，因为使用频率低，所以空间浪费不大。

当然定长编码的好处是可以快速定位字符，对于string.charAt(index)方法有着较好的支持。
UTF-8的话，就需要从头开始一个字符一个字符的解析才行，会慢一点。
但是与查询定位相比，顺序输出的情况更多，所以平常也不会感受到效率会比较慢。

未来的趋势是UTF-8，文件编码是UTF-8，数据库编码是UTF-8，网络流编码是UTF-8，
这样真的能减少很多麻烦，现在想要解决编码问题，统一UTF-8化是最佳解决方案。

gbk编码的文件，在utf-8编码下打开，为什么英文不乱码，而中文乱码？

链接：https://www.zhihu.com/question/38500793/answer/76779281

在GBK中ASCII字符是编码是一个字节，继承自ASCII码，而汉字编码是两个字节；
在UTF-8中ASCII字符依然是一个字节，和ASCII码一样，而汉字编码是三或四个字节；
所以，关于ASCII字符并不存在转码问题，其表示方式一致，而汉字需要重新转码。

三、历史+总结

链接：https://www.zhihu.com/question/38500793/answer/76810212

1、美国人首先对其英文字符进行了编码，也就是最早的ascii码，用一个字节的低7位来表示英文的128个字符，高1位统一为0；
2、后来欧洲人发现尼玛你这128位哪够用，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；
4、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，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。
5、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可以容纳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。
6、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。x86和amd体系结构的电脑小端序和大端序都分不清，别提计算机如何识别到底是unicode还是acsii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，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。
7、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。另外还有utf-16、utf-32等。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。
9、UTF-8 使用一至四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。
10、最后，要回答你的问题，常规来看，中文汉字在utf-8中到底占几个字节，一般是3个字节，最常见的编码方式是1110xxxx 10xxxxxx 1 0xxxxxx。

四、对于字符编码，程序员的话应该了解它的哪些方面

具体见知乎：
https://www.zhihu.com/question/20152853

五、不同编码对应字节数

字符编码	中文字节数	英文字节数
GB2312	2	1
GBK	2	1
GB18030	2	1
ISO-8859-1	1	1
UTF-8	3	1
UTF-16	4	4
UTF-16BE	2	2
UTF-16LE	2	2

在Lua中计算含中文的字符串的长度(中文长度算1)

由上可见，这个字符是否为中文是可以判断的，
因为如果是汉字那么这个字符的第一个字节的高三位（即1110xxxx中的111）一定是111，第四位是0，所以这个字节换算成数字的话最小值是224（11100000）最大值是238（11101111），
所以如果我们读到一个字节，他的数值介于224与238之间，那么我们就可以判定，这个字节以及其后的两个字节，共三个字节组成一个汉字

由此可以做到再lua中计算 UTF8 字符串的长度，每一个中文算一个字符

string.byte(s [, i [, j] ]) ：取s第i个字节的数字编码

local str = "a字"
print("字符长度："..#str)  -- 打印单个字符
for i=1,#str do
	local tmp = string.byte(str, i)
	print(tmp)  -- 打印单个字符
end
-- 字符长度4
-- 97
-- 229	(属于224与238之间，so 这个字节以及其后的两个字节，共三个字节组成一个汉字)
-- 173
-- 151

方案一

-- 获取字符串的长度（任何单个字符长度都为1）
function getStringLength(inputstr)
    if not inputstr or type(inputstr) ~= "string" or #inputstr <= 0 then
        return nil
    end
    local length = 0  -- 字符的个数
    local i = 1
    while true do
        local curByte = string.byte(inputstr, i)
        local byteCount = 1
        if curByte > 239 then
            byteCount = 4  -- 4字节字符
        elseif curByte > 223 then
            byteCount = 3  -- 汉字
        elseif curByte > 128 then
            byteCount = 2  -- 双字节字符
        else
            byteCount = 1  -- 单字节字符
        end
        -- local char = string.sub(inputstr, i, i + byteCount - 1)
        -- print(char)  -- 打印单个字符
        i = i + byteCount
        length = length + 1
        if i > #inputstr then
            break
        end
    end
    return length
end
 
local str = "abc 字符编码"
local len = getStringLength(str)
print(len)  -- 8

方案二

function utf8len(input)
    local len  = string.len(input)
    local left = len
    local cnt  = 0
    local arr  = {0, 0xc0, 0xe0, 0xf0, 0xf8, 0xfc}
    while left ~= 0 do
        local tmp = string.byte(input, -left)
        local i   = #arr
        while arr[i] do
            if tmp >= arr[i] then
                left = left - i
                break
            end
            i = i - 1
        end
        cnt = cnt + 1
    end
    return cnt
end
 
local str = "abc 字符编码"
local len = utf8len(str)
print(len)  -- 8

Majin_2.0.exe

关注

1
点赞
踩
9

收藏

觉得还不错? 一键收藏
0
评论
关于Lua获取中文字符串长度和编码问题的整理

字符编码的前备知识一、字节很久很久以前，有一群人，他们决定用8个可以开合的晶体管来组合成不同的状态，以表示世界上的万物。他们看到8个开关状态是好的，于是他们把这称为”字节“。再后来，他们又做了一些可以处理这些字节的机器，机器开动了，可以用字节来组合出很多状态，状态开始变来变去。他们看到这样是好的，于是它们就这机器称为”计算机“。**so: 字节是是计算机信息计量单位，一个字节包含八个bit。**bit是计算机存储数据的最小单位，只有0和1两种值。而8个bit组成了信息的最小单位，也就是字节。8位的字节
复制链接

扫一扫