UTF8,UTF16的编码说明

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
  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
  4) 解码的原理一样。
  实例:(留意每个bit的颜色,粗体字为模板内容)
  UCS-4 UTF-8 
  HEX BIN Bytes BIN HEX Bytes 
  0000 000A 00001010 4 00001010 0A 1 
  0000 0099 10011001 4 11000010 10011001 C2 99 2 
  0000 8D99 10001101 10011001 4 11101000 10110110 10011001 E8 B6 99 3 
  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。

你可能感兴趣的:(互联网,header,hex,encoding,transformation)