UTF-8编码

news2024/10/9 16:22:37

阅读该文章之前，请阅读以下两篇文章，了解GBK编码和Unicode编码：

GBK编码的理解_sgmcy的博客-CSDN博客

Unicode编码的理解_sgmcy的博客-CSDN博客

UTF的意思是：Unicode Transformation Format 。也就是Unicode 转换格式。可见，UTF编码与Unicode关系是密不可分的。

之前介绍Unicode的时候，介绍Unicode是采用24bit的数据，对全世界所有的字符进行编码。其中，第一个字节是面“page”，第二个和第三个字节是具体的“码”。

地球上，大概有6900多种语言，这么多种语言的文字，大部分都放在了第一个平面立面。包括英文、中文等。其他的生僻字，用的少的，放在了其他的平面内，如平面1

Unicode 是唯一编码表。这个唯一编码表，确定了每个字符对应的Unicode的“码”值。

但是，Unicode仅仅是确定了一个行业标准，并没有规定它的实现方式——即没有规定它在内存中是如何存储的。

Unicode是采样24bit来存储各个字符的“码”值的，但是，我们知道，计算机内部，最小的存储单元是1个字节（char类型），或者存储类型是2个字节（short 类型）或者是4个字节（int类型）或者是8个字节（double类型）

计算机底层存储没有3个字节的存储变量，即没有一个变量是用来存储24bit的数据的。

这时候，有人会说，既然没有3个字节的存储变量，那么我们就直接用4字节的int类型变量来存储不就可以了嘛！

用4字节来存储，会有两个问题：

第一个问题，是浪费存储空间。

第二个问题，就是计算机底层实现有大小端的问题。

对于第一个问题，以前计算机存储空间都是十分紧缺的，我之前上大学的时候，我们老师就给我们讲，说当时他的领导，给了他30多万的经费，让他买个海量存储器回来，结果这个所谓的海量存储器，就10M左右。

当然，现在的半导体制造技术成熟了，一个小小的U盘都能制作达到128G。

但是，有些国家就不服了，比如美国。美国心想，我ASCII码多牛逼，只需要1个字节就可以存储的玩意，用了你所谓的Unicode码，一下子内存空间占用扩展了4倍，我不愿意。

对，凭什么一个字节就可以存储的东西，需要使用4倍的存储空间存储？

第二个问题，就是大小端的问题。具体的大小端的概念，请百度查询。

比如，现在不考虑存储空间的问题，就用32bit 4字节的东西来存放24bit的Unicode码。假设一个字符的Unicode的编码是0x00 01 AA BB ，

存储到第一种计算机里面的时候，它的存储格式是0x00 01 AA BB

存储到第二种计算机里面的时候，它的存储格式是0xBB AA 01 00

在解析的时候，如果不考虑这个大小端存储的问题，那么读取内存中这个数值再解码成Unicode码，就会出现出错。

总之：Unicode就是制定了标准协议，但是没有规定这个标准协议是如何实现的，没有规定这个Unicode码在内存中具体怎么存储的。

所以，这时候，就出现了UTF ：Unicode Transformation Format

也就是说，UTF是Unicode的一种实现方式。它实现了一种转换方式，即，把用户存储在内存中的数值，读取出来，再通过一系列的转换规则，转换成Unicode的数值，这样就可以得到对应的字符了。

UTF有好多种实现方式。

比如UTF-32就是采用32bit来实现存储24bit的Unicode码值。

当然还有UTF-16,是采用16bit来存储

当然还有UTF-8采用8bit来存储。

当然还有UTF-7 ,UTF-7.5，即采用7个bit或者7.5个bit来实现Unicode的存储。

当然，使用最广泛的，还是UTF-8

例子：UTF-32就是采用32bit来存储Unicode的码值的。

假设，一个Unicode的码值是0x00 AB CD，那么存储在内存中的码值，就是0x00 00 AB CD 或者0xCD AB 00 00 。不管是大小端，总之，程序能判断电脑系统是采用大端存储还是小端存储，判断出了是大端小端存储，再把UTF-32转换成Unicode的值，就可以得到对应的字符了。

UTF-16也是类似。大部分的Unicode的码值都是在第一个平面内部的，也就是处在的范围是在0x0000~0xFFFF之间。所以UTF-16这个标准就会判断Unicode的码值，如果在65535范围内，就采用两个字节存储，如果是在第一个平面以外的字符，就采用4个字节存储。

当然，不管采用两个字节存储还是采用4个字节存储，也还是会面临大小端的存储问题。（虽然两个字节的存储，已经节约了2个字节了。）

UTF-8是按照8bit来存储。