Unicode中UTF-8与UTF-16编码详解

概述

本文通过介绍Unicode编码以及对应的两种编码方式UTF-8和UTF-16，让读者能够了解关于字符串编码的相关知识，同时能够弄清楚Unicode和UTF-8和UTF-16之间的关系。

本文的主要内容为：

• Unicode编码，包含Unicode编码基础知识以及与UTF-8和UTF-16这两种编码方式的关系
• UTF-8编码，包含基础概念和Unicode编码转换到UTF-8编码方式
• UTF-16编码，包含基础概念和Unicode编码转换到UTF-16编码方式
• JavaScript中string与DOMString

本文作为utfx.js源码解析的基础知识储备文章，通过了解UTF-8和UTF-16这两种编码方式，读者能够理解使用JavaScript进行编码转换的原理。

如果想了解编码转换的使用场景，可以阅读我之前的博客WebSocket系列之JavaScript字符串如何与二进制数据间进行互相转换。

如果想了解utfx.js相关的源码内容，可以关注我的后续文章。

Unicode编码

概念

Unicode（ 统一码、万国码、单一码）是计算机科学领域里的一项业界标准,包括字符集、编码方案等。Unicode 是为了解决传统的字符编码方案的局限而产生的，它为每种语言中的每个字符设定了统一并且唯一的 二进制编码，以满足跨语言、跨平台进行文本转换、处理的要求。1990年开始研发，1994年正式公布。

通常Unicode编码是通过2 Byte来表示一个字符的，如U+A12B，2 Byte的二进制表示方法结果就是1010(A)0001(1) 0010(2)1011(B)。

简单介绍完了Unicode，我们来看下UTF-8和UTF-16。需要注意的是：UTF是Unicode TransferFormat的缩写，UTF-8和UTF-16都是把Unicode码转换成程序数据的一种编码方式。

UTF-8

概念

UTF-8（8-bit Unicode Transformation Format）是一种针对Unicode的可变长度字符编码，又称万国码。由Ken Thompson于1992年创建。现在已经标准化为RFC 3629。UTF-8用1到6个字节编码Unicode字符。用在网页上可以统一页面显示中文简体繁体及其它语言（如英文，日文，韩文）。

通过上面的介绍我们可以知道，UTF-8是一种非常通用的可变长字符编码方式。

首先，我们来介绍下什么叫做可变长编码？可变长编码就是指在针对某个字符进行编码时，他的表示长度是不固定的。像UTF-8里面，ASCII所表示的字符集就是用1 Byte来表示，而大部分汉字则是用3 Byte来表示。

相较于Unicode统一使用2 Byte来表示字符，在遇到大部分字符都可以用1 Byte表示时，能够节省许多存储空间。但是，如果遇到需要用超过2 Byte来表示的字符，那么UTF-8的编码方式则会消耗更多的存储空间。

表示方式

通过上面的介绍我们可以知道，不同的Unicode码在UTF-8中占用了不同的存储空间。下面我们就通过一个表格来看下将Unicode字符转换为UTF-8编码方式的具体步骤。其中的?表示转换成UTF-8编码后，Unicode码占用的二进制位置。

Unicode码范围	UTF-8编码方式
U+0000~U+007F	0????????
U+0080~U+07FF	110????? 10??????
U+0800~U+FFFF	1110???? 10?????? 10??????
U+10000~U+10FFFF	11110??? 10?????? 10?????? 10??????

当我们得到Unicode码后，我们先根据上面的这个表判断其所处的范围，然后将Unicode码转换为二进制表示，从后往前截取UTF-8编码中所留为之长度，从前往后依次填入对应位置，所即可得到UTF-8的编码。我们举两个例子来看下：

• U+0020，这个字符的小于0000 007F，所以只需要用1 Byte来进行编码。U+0020的二进制表示为0000(0)0000(0) 0010(2)0000(0)，那么从后往前截取7位得到010 0000，放入UTF-8编码方式中，得到的结果为00101111，转换为十六进制得到2F。因此存储在内存中的的顺序就是2F。
• U+A12B，这个字符大于0000 0800，小于0000 FFFF，因此需要用3 Byte来进行编码。U+A12B的二进制表示为1010(A)0001(1) 0010(2)1011(B)。，那么从后往前截取16位得到10100001 00101011（Unicode码本身），放入UTF-8编码中，得到的结果为11101010 10000100 10101011，转换十六进制得到EA84AB。因此，存储在内存中的顺序就是EA 84 AB。

通过上面的例子，我相信大家对UTF-8的编码有了一个深入的理解。下面，让我们来看下另一种编码方式——UTF-16。

UTF-16

概念

UTF-16是 Unicode字符编码五层次模型的第三层：字符编码表（Character Encoding Form，也称为 "storage format"）的一种实现方式。即把Unicode字符集的抽象码位映射为16位长的整数（即码元， 长度为2 Byte）的序列，用于数据存储或传递。Unicode字符的码位，需要1个或者2个16位长的码元来表示，因此这是一个变长表示。

引用维基百科中对于UTF-16编码的解释我们可以知道，UTF-16最少也会用2 Byte来表示一个字符，因此没有办法兼容ASCII编码（ASCII编码使用1 Byte来进行存储）。

表示方式

在UTF-16中，我们将Unicode分为了两个范围，分别通过不同的方式进行存储。具体表示见下图。

Unicode范围	UTF-16编码方式
U+000~U+FFFF	2 Byte存储，编码后等于Unicode值
U+10000~U+10FFFF	4 Byte存储，现将Unicode值减去（0x10000），得到20bit长的值。再将Unicode分为高10位和低10位。UTF-16编码的高位是2 Byte，高10位Unicode范围为0-0x3FF，将Unicode值加上0XD800，得到高位代理（或称为前导代理，存储高位）；低位也是2 Byte，低十位Unicode范围一样为0~0x3FF，将Unicode值加上0xDC00,得到低位代理（或称为后尾代理，存储低位）

根据上面的转换方式，我们就能够将Unicode码根据UTF-16的编码方式进行转换。下面我们仍然通过两个例子来看下：

• U+0020，这个值的范围在第一部分，即经过UTF-16编码后，结果仍然为U+0020，在内存中的顺序为00 20。
• U+12345, 这个值的范围在第二部分，因此需要先减去0x10000，得到0x02345，拆分成高10位00 0000 1000和低10位11 0100 0101。根据上面规则加上特定值后，高位代理值为D808，低位代理值为DF45，最终内存中的顺序为D8 08 DF 45。

JavaScript中的string与DOMString

在JavaScript中，所有的string类型（或者被称为DOMString）都是使用UTF-16编码的。

因此，当我们需要转换成二进制与后端进行通信时，需要注意相关的编码方式。

总结

本文通过对Unicode编码和UTF-8和UTF-16两种编码方式进行介绍，让大家了解Unicode编码以及相关的两种程序数据编码方式。

本文是作为utfx.js源码分析的基础知识储备文章，在稍后的时间将会给大家带来相关内容的后续文章——utfx.js源码解析，让大家能够了解在JavaScript中如何进行相关的编码转换。