一文了解Unicode UTF-8 UTF-16 UTF-32的關(guān)系
素材來(lái)源：網(wǎng)絡(luò)
編輯整理：strongerHuang
Unicode，又稱統(tǒng)一碼、萬(wàn)國(guó)碼、單一碼，是計(jì)算機(jī)科學(xué)領(lǐng)域里的一項(xiàng)業(yè)界標(biāo)準(zhǔn)，包括字符集、編碼方案等。
一、Unicode產(chǎn)生的背景
1.為何要有Unicode？
ASCII編碼使用 8bit （b0-b7）中的最高位b7位作為奇偶校驗(yàn)位，用來(lái)保障傳輸?shù)目煽啃?，所以ASCII一共定義了2^7=128個(gè)字符集合。
所謂奇偶校驗(yàn)，是指在代碼傳送過(guò)程中用來(lái)檢驗(yàn)是否出現(xiàn)錯(cuò)誤的一種方法，一般分奇校驗(yàn)和偶校驗(yàn)兩種。奇校驗(yàn)規(guī)定：正確的代碼一個(gè)字節(jié)中1的個(gè)數(shù)必須是奇數(shù)，若非奇數(shù)，則在最高位b7添0；偶校驗(yàn)規(guī)定：正確的代碼一個(gè)字節(jié)中1的個(gè)數(shù)必須是偶數(shù)，若非偶數(shù)，則在最高位b7添1）
2.ASCII編碼的問(wèn)題
ASCII編碼是美國(guó)制定的編碼標(biāo)準(zhǔn)，它可以代表英文中的字符集合，但用來(lái)表示其他語(yǔ)言 如漢語(yǔ)、法語(yǔ)等是不夠用的。中國(guó)為了讓計(jì)算機(jī)識(shí)別漢語(yǔ)，制定了GB2312編碼規(guī)范，使用兩個(gè)字節(jié)代表一個(gè)漢字，支持65536個(gè)漢字。
這樣發(fā)展的趨勢(shì)是每個(gè)國(guó)家或地區(qū)制定自己語(yǔ)言的計(jì)算機(jī)字符編碼，導(dǎo)致混亂不堪。
3.Unicode產(chǎn)生
Unicode 正是解決這個(gè)問(wèn)題而誕生的，它對(duì)世界上絕大部分的文字的進(jìn)行整理和統(tǒng)一編碼。
事實(shí)上，歷史上存在兩個(gè)獨(dú)立的嘗試創(chuàng)立單一字符集的組織，即國(guó)際標(biāo)準(zhǔn)化組織（ISO）和多語(yǔ)言軟件制造商組成的統(tǒng)一碼聯(lián)盟。前者開(kāi)發(fā)的 ISO/IEC 10646 項(xiàng)目，后者開(kāi)發(fā)的統(tǒng)一碼項(xiàng)目。因此最初制定了不同的標(biāo)準(zhǔn)。
1991年前后，兩個(gè)項(xiàng)目的參與者都認(rèn)識(shí)到，世界不需要兩個(gè)不兼容的字符集。于是，它們開(kāi)始合并雙方的工作成果，并為創(chuàng)立一個(gè)單一編碼表而協(xié)同工作。從Unicode 2.0開(kāi)始，Unicode采用了與ISO 10646-1相同的字庫(kù)和字碼；ISO也承諾，ISO 10646將不會(huì)替超出U+10FFFF的UCS-4編碼賦值，以使得兩者保持一致。
兩個(gè)項(xiàng)目仍都存在，并獨(dú)立地公布各自的標(biāo)準(zhǔn)。但統(tǒng)一碼聯(lián)盟和ISO/IEC JTC1/SC2都同意保持兩者標(biāo)準(zhǔn)的碼表兼容，并緊密地共同調(diào)整任何未來(lái)的擴(kuò)展。
在發(fā)布的時(shí)候，Unicode一般都會(huì)采用有關(guān)字碼最常見(jiàn)的字型，但I(xiàn)SO 10646一般都盡可能采用Century字型。
---來(lái)自百度百科
二、Unicode的編碼方式
Unicode的編碼空間可以劃分為17個(gè)平面（plane），每個(gè)平面包含2的16次方（65536）個(gè)碼位。
17個(gè)平面的碼位可表示為從U+0000到U+10FFFF，共計(jì)1114112個(gè)碼位，第一個(gè)平面稱為基本多語(yǔ)言平面（Basic Multilingual Plane, BMP），或稱第零平面（Plane 0）。其他平面稱為輔助平面（Supplementary Planes）。
基本多語(yǔ)言平面內(nèi)，從U+D800到U+DFFF之間的碼位區(qū)段是永久保留不映射到Unicode字符，所以有效碼位為1112064個(gè)。
為何要定義平面？為何劃分基平面和輔助平面？基平面為何會(huì)有保留區(qū)段？
三、計(jì)算機(jī)實(shí)現(xiàn)
Unicode是一種編碼方式，基于Unicode編碼的計(jì)算機(jī)實(shí)現(xiàn)是有多種的。不同的實(shí)現(xiàn)方式其實(shí)是對(duì)Unicode的存儲(chǔ)方式存在著差異，計(jì)算機(jī)實(shí)現(xiàn)Unicode可以認(rèn)為是對(duì)Unicode的存儲(chǔ)編碼。
在這里我們已經(jīng)進(jìn)行了兩次編碼轉(zhuǎn)換了，Unicode本身是字符對(duì)應(yīng)數(shù)字的編碼方案，而Unicode的計(jì)算機(jī)實(shí)現(xiàn)是Unicode對(duì)應(yīng)的計(jì)算機(jī)存儲(chǔ)編碼方案。
為什么對(duì)計(jì)算機(jī)實(shí)現(xiàn)還要對(duì)Unicode做一次編碼？
下面我們通過(guò)介紹不同的Unicode計(jì)算機(jī)實(shí)現(xiàn)方案來(lái)討論一下這個(gè)問(wèn)題。
我們應(yīng)當(dāng)知道，生活中的字符出現(xiàn)的概率是不一樣的。例如，生活中我們常常使用 “你好” “早”等詞匯，但是“耄耋” “饕餮”等這些字符我們很少用到。
基于以上的事實(shí)，如果我們把 “你好” “早”等這些高概率出現(xiàn)的字符使用較短的存儲(chǔ)編碼，而那些很少用到的字符使用較長(zhǎng)的存儲(chǔ)編碼，
定義：假設(shè)有n個(gè)字符c1.....cn，每個(gè)字符出現(xiàn)的概率為p(n)，每個(gè)字符的存儲(chǔ)空間為s1.....sn，那么， 字符平均存儲(chǔ)空間計(jì)算公式：T = p(1)*s1+......p(n)*sn
下面我們分別計(jì)算一下不同編碼實(shí)現(xiàn)方案的字符平均存儲(chǔ)空間。
1.UTF-32
最容易想到的，也是最簡(jiǎn)單的計(jì)算機(jī)實(shí)現(xiàn)就是用四個(gè)字節(jié)（32bit）對(duì)Unicode編碼字符進(jìn)行存儲(chǔ)，這就是UTF-32。UTF-32是最簡(jiǎn)單的程序?qū)崿F(xiàn)方案（無(wú)需轉(zhuǎn)換，與Unicode編碼一一對(duì)應(yīng)）。
好處：無(wú)需轉(zhuǎn)換，速度快
壞處：浪費(fèi)存儲(chǔ)空間
T = 32bit
2.UTF-8
UTF-8是一種變長(zhǎng)編碼，對(duì)于一個(gè)Unicode的字符被編碼成1至4個(gè)字節(jié)。Unicode編碼與UTF-8的編碼的對(duì)應(yīng)關(guān)系：
| Unicode編碼 | UTF-8編碼(二進(jìn)制) |
|---|---|
| U+0000 – U+007F | 0xxxxxxx |
| U+0080 – U+07FF | 110xxxxx 10xxxxxx |
| U+0800 – U+FFFF | 1110xxxx 10xxxxxx 10xxxxxx |
| U+10000 – U+10FFFF | 11110xxx 10xxxxxx 10xxxxxx 10xxxxxx |
一個(gè)字節(jié)的uft8表示的unicode 碼范圍為(0 ~0x7F)
兩個(gè)字節(jié)長(zhǎng)度的uft8 表示的unicode碼范圍為(0x80 ~ 0x07FF)
三個(gè)字節(jié)長(zhǎng)度的uft8 表示的unicode碼范圍為(0x0800 ~ 0xFFFF)
四個(gè)字節(jié)長(zhǎng)度的uft8 表示的unicode碼范圍為( 0x10000 ~ 0x10FFFF)
這樣編碼感覺(jué)復(fù)雜度變高了很多啊，但是， 好處在于節(jié)省了存儲(chǔ)空間，另外，兼容了舊的ASCII編碼。
3.UTF-16
UTF-16也是一種變長(zhǎng)編碼，對(duì)于一個(gè)Unicode字符被編碼成1至2個(gè)碼元，每個(gè)碼元為16位。
基本多語(yǔ)言平面（碼位范圍U+0000-U+FFFF） 在基本多語(yǔ)言平面內(nèi)的碼位UTF-16編碼使用1個(gè)碼元且其值與Unicode是相等的（不需要轉(zhuǎn)換）。舉例如下：
Unicode 字符 UTF-16（碼元） UTF-16 LE（字節(jié)） UTF-16 BE（字節(jié)） U+0041 A 0x0041 0x41 0x00 0x00 0x41 U+7834 破 0x7834 0x34 0x78 0x78 0x34 U+6653 曉 0x6653 0x53 0x66 0x66 0x53
輔助平面（碼位范圍U+10000-U+10FFFF） 在輔助平面內(nèi)的碼位在UTF-16中被編碼為一對(duì)16bit的碼元（即32bit,4字節(jié)），稱作代理對(duì)(surrogate pair)。組成代理對(duì)的兩個(gè)碼元前一個(gè)稱為前導(dǎo)代理(lead surrogates)范圍為0xD800-0xDBFF，后一個(gè)稱為后尾代理(trail surrogates)范圍為0xDC00-0xDFFF。
具體的轉(zhuǎn)換過(guò)程為：
首先將unicode碼表 - 0x10000 , 這樣得到的輔助平面的碼表范圍為(U+0000 - U+FFFFF) ,總共最多20bit
將20bit ，分為high 10bit 與 low 10bit。high 1bit | 0xD800 得到前導(dǎo)代理， low 10bit | 0xDC00 得到后尾代理
從這里也可以理解為什么 在基本多語(yǔ)言平面中， （U+D800 ?~ U+DFFF ） 要作為保留字符了
UTF-16既保留了解析速度，同時(shí)也比較節(jié)省存儲(chǔ)空間。這個(gè)是UTF-8和UTF-32兩者優(yōu)點(diǎn)的結(jié)合。
來(lái)源地址： https://juejin.im/post/6844903890488410120
操作系統(tǒng)產(chǎn)生死鎖的原因和處理策略
美女設(shè)計(jì)師的創(chuàng)意設(shè)計(jì)：舌頭控制器
可重入與不可重入函數(shù)的區(qū)別
長(zhǎng)按前往圖中包含的公眾號(hào)關(guān)注
免責(zé)聲明：本文內(nèi)容由21ic獲得授權(quán)后發(fā)布，版權(quán)歸原作者所有，本平臺(tái)僅提供信息存儲(chǔ)服務(wù)。文章僅代表作者個(gè)人觀點(diǎn)，不代表本平臺(tái)立場(chǎng)，如有問(wèn)題，請(qǐng)聯(lián)系我們，謝謝！
下載文檔
