UTF8 to unicode

UTF8并不算是一种电脑编码，而是一种储存和传送的格式，如前所述，每个Unicode/UCS字符都以 2或4个bytes来储存，看看以下的比较：

以"I am Chinese"为例

用ANSI储存：             12 Bytes

用Unicode/UCS2储存：     24 Bytes + 2 Bytes(header)

用UCS4储存：             48 Bytes + 4 Bytes(header)

以"我是中国人"为例

用ANSI储存：         10 Bytes（GB2312）

用Unicode/UCS2储存： 10 Bytes + 2 Bytes(header)

用UCS4储存：         20 Bytes + 4 Bytes(header)

 

由此可见直接以Unicode/UCS的原始形式来储存是一种极大的浪费，而且也不利于互联网的传输(中文稍为合算一点^_^)。

有见及此，Unicode/UCS的压缩形式－－UTF8出 现了，套用官方网站的首句话『UTF-8 stands for Unicode Transformation Format-8. It is an octet (8-bit) lossless encoding of Unicode characters.』，由于UTF也适用于编码UCS，故亦可称为『UCS transformation formats (UTF)』

UTF8是以8bits即1Bytes为编码的最基本单位，当然也可以有基于16bits和32bits的形式，分别称为UTF16和UTF32，但目前用得不多，而UTF8则被广泛应用在文件储存和网络传输中。

 

编码原理

先看这个模板：

UCS-4 range (hex.)     UTF-8 octet sequence (binary)

0000 0000-0000 007F -- 0xxxxxxx

0000 0080-0000 07FF -- 110xxxxx 10xxxxxx

0000 0800-0000 FFFF -- 1110xxxx 10xxxxxx 10xxxxxx

0001 0000-001F FFFF -- 11110xxx 10xxxxxx 10xxxxxx 10xxxxxx

0020 0000-03FF FFFF -- 111110xx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx

0400 0000-7FFF FFFF -- 1111110x 10xxxxxx ... 10xxxxxx

 

编码步骤：

1) 首先确定需要多少个8bits(octets)

2) 按照上述模板填充每个octets的高位bits

3) 把字符的bits填充至x中，字符顺序：低位→高位，UTF8顺序：最后一个octet的最末位x→第一个octet最高位x

不知大家看懂了没有，其实不懂也无所谓，反正又不用自己算，程式可以完全代劳。以UTF8格式储存的文件档首标识为EF BB BF。

效率

从上述编码原理中得出的结论是：

1.每个英文字母、数字所占的空间为1 Byte；

2.泛欧语系、斯拉夫语字母占2 Bytes；

3.汉字占3 Bytes。

由此可见UTF8对英文来说是个非常诱人的方案，但对中文来说则不太合算，无论用ANSI还是 Unicode/UCS2来编码都只用2 Bytes，但用UTF8则需要3 Bytes。

以下是一些统计资料，显示用UTF8来储存文件每个字符所需的平均字节： 1.拉丁语系平均用1.1 Bytes；

2.希腊文、俄文、阿拉伯文和希伯莱文平均用1.7 Bytes；

3.其他大部份文字如中文、日文、韩文、Hindi(北印度语)用约3 Bytes； 4.用超过4 Bytes的都是些非常少用的文字符号。