UCS-2、UCS-4、UTF-8、UTF-16、UTF-32介绍

转载地址:https://charlee.li/unicode-intro.html

基本知识

   (1) 字节和字符的区别

       咦,字节和字符能有什么区别啊?不都是一样的吗?完全正确,但只是在古老的DOS时代。 当Unicode出现后,字节和字符就不一样了。

       字节(octet)是一个八位的存储单元,取值范围一定是0~255。而字符(character,或者word) 为语言意义上的符号,范围就不一定了。例如在UCS-2中定义的字符范围为0~65535, 它的一个字符占用两个字节。

    (2) BigEndian和Little Endian  

       上面提到了一个字符可能占用多个字节,那么这多个字节在计算机中如何存储呢? 比如字符0xabcd,它的存储格式到底是           AB CD,还是 CD AB 呢?

       实际上两者都有可能,并分别有不同的名字。如果存储为 AB CD,则称为Big Endian; 如果存储为 CD AB,则称为Little           Endian

       具体来说,以下这种存储格式为Big Endian,因为值(0xabcd)的高位(0xab)存储在前面:

地址
0x00000000 AB
0x00000001 CD

       相反,以下这种存储格式为Little Endian:

地址
0x00000000 CD
0x00000001 AB

 (2) UCS-2和UCS-4

     Unicode是为整合全世界的所有语言文件所诞生的。任何文字在Unicode中都对应一个值,这个值称为代码点(code point)。代码点的值通常写成U+ABCD的格式。 而文字和代码点之间的对应关系就是UCS-2(Universal Character Set coded in 2 octets)。 顾名思义,UCS-2是用两个字节来表示代码点,其取值范围为 U+0000~U+FFFF。

     为了能表示更多的文字,人们又提到了UCS-4,即用四个字节表示代码点。它的范围为U+00000000~U+7FFFFFFF,其中U+00000000~U+0000FFFF和UCS-2是一样的。

     要注意,UCS-2和UCS-4只规定了代码点和文字之间的对应关系,并没有规定代码点在计算机中如何存储。规定存储方式的称为UTF(Unicode Transformation Format),其中应用较多的就是UTF-16和UTF-8了。

  (3) UTF-16和UTF-32

    a.UTF-16

      UTF-16由RFC2781规定,它使用两个字节来表示一个代码点。

      不难猜到,UTF-16是完全对应于UCS-2的,即把UCS-2规定的代码点通过Big Endian或Little Endian方式直接保存下来。UTF-16包括三种:UTF-16,UTF-16BE(Big Endian),UTF-16LE(Little Endian)。

       UTF-16BE和UTF-16LE不难理解,而UTF-16就需要通过在文件开头以名为BOM(Byte Order Mark)的字符来表明文件时Big Endian还是Little Endian。BOM为U+FEFF这个字符。

       其实BOM是个小聪明的想法。由于UCS-2没有定义U+FFFE,因此只要出现FF FE或者FE FF这样的字节序列,就可以认为它是U+FEFF,并且可以判断出是Big Endian还是Little Endian。

       举个例子,“ABC”这三个字符用各种方式编码后的结果如下:

        UTF-16BE                     00 41 00 42 00 43

        UTF-16LE                      41 00 42 00 43 00

        UTF-16(Big Endian)       FE FF 00 41 00 43 00 43

        UTF-16(Little Endian)     FF FE 41 00 42 00 43 00

        UTF-16(不带BOM)         00 41 00 42 00 43

        Windows平台下默认的Unicode编码为Little Endian的UTF-16(即上述的FF FE 41 00 42 00 43 00)。你可以打开记事本,写上ABC,然后保存,再用二进制编辑器看看它的编码结果。

        

        另外,UTF-16还能表示一部分的UCS-4代码点-----U+10000~U+10FFFF。表示算法比较复杂,简单说明如下: 1.从代码点U中减去0x10000,得到'U'。这样U+10000~U+10FFFF就变成了0x00000~0xFFFFF。2.用20位二进制数表示U’。

        U’=yyyyyyyyyyxxxxxxxxxx 3. 将前10位和后10位用W1和W2表示,W1=110110yyyyyyyyyy,W2=110111xxxxxxxxxx,则 W1 = D800~DBFF,W2 = DC00~DFFF。

        例如,U+12345表示为 D8 08 DF 45(UTF-16BE),或者08 D8 45 DF(UTF-16LE)。

        但是由于这种算法的存在,造成UCS-2中的 U+D800~U+DFFF 变成了无定义的字符。

     b.UTF-32

         UTF-32用四个字节表示代码点,这样就可以完全表示UCS-4的所有代码点,而无需像UTF-16那样使用复杂的算法。 与UTF-16类似,UTF-32也包括UTF-32、UTF-32BE、UTF-32LE三种编码,UTF-32也同样需要BOM字符。 仅用’ABC’举例:

UTF-32BE                   00 00 00 41 00 00 00 42 00 00 00 43

UTF-32LE                   41 00 00 00 42 00 00 00 43 00 00 00

UTF-32(Big Endian)    00 00 FE FF 00 00 00 41 00 00 00 42 00 00 00 43

UTF-32(Little Endian)  FF FE 00 00 41 00 00 00 42 00 00 00 43 00 00 00

UTF-32(不带BOM)       00 00 00 41 00 00 00 42 00 00 00 43

       c.UTF-8

          UTF-16和UTF-32的一个缺点就是它们固定使用两个或四个字节, 这样在表示纯ASCII文件时会有很多00字节,造成浪费。 而RFC3629定义的UTF-8则解决了这个问题。

          UTF-8用1~4个字节来表示代码点。表示方式如下:

UCS-2(UCS-4) 位序列 第一字节 第二字节 第三字节 第四字节
U+0000 .. U+007F 00000000-0xxxxxxx 0xxxxxxx      
U+0080 .. U+07FF 00000xxx-xxyyyyyy 110xxxxx 10yyyyyyy    
U+0800 .. U+FFFF xxxxyyyy-yyzzzzzz 1110xxxx 10yyyyyy 10zzzzzz  
U+10000 .. U+10FFFF 00000000-000wwwxx-xxxxyyyy-yyzzzzzz 11110www 10xxxxxx 10yyyyyy 10zzzzzz

           可见,ASCII字符(U+0000~U+007F)部分完全使用一个字节,避免了存储空间的浪费。 而且UTF-8不再需要BOM字节。

           另外,从上表中可以看出,单字节编码的第一字节为[00-7F],双字节编码的第一字节为[C2-DF], 三字节编码的第一字节为[E0-EF]。这样只要看到第一个字节的范围就可以知道编码的字节数。 这样也可以大大简化算法。

猜你喜欢

转载自blog.csdn.net/zhangge3663/article/details/84135118