Unicode与UTF-8的区别理解
来源:互联网 发布:淘宝运营合作 编辑:程序博客网 时间:2024/05/16 14:31
近期用Python读取txt 文件时遇到一些小坑,涉及到文件编码问题。
因此梳理编码中Unicode与常见的UTF-8编码的区别。
先贴总结:
Unicode:
全称Universal Multiple-Octet Coded Character Set”,简称 UCS, 俗称 “unicode“,由国际标准化组织ISO制定,目的是标准化一个字符集:为地球上每一个「字符」分配一个唯一的 ID(学名为码位 / 码点 / Code Point
广义的 Unicode 是一个标准,定义了一个字符集以及一系列的编码规则,即 Unicode 字符集和 UTF-8、UTF-16、UTF-32 等等编码……
UTF-8:
为解决unicode如何在网络上传输的问题,于是面向传输的众多UTF(UCS Transfer Format)标准,即可变长度编码方式出现了,顾名思义,UTF-8就是每次8个位传输数据,而UTF-16就是每次16个位。设计的出发点是:节省网络传输的代价,如果unicode统一规定,每个符号用三个或四个字节表示,那么每个英文字母前都必然有二到三个字节是0,这对于存储空间来说是极大的浪费,文本文件的大小会因此大出二三倍,这是难以接受的。
有一个形象的比喻;
用通信理论的思路可以理解为:
unicode是信源编码,对字符集数字化;
utf8是信道编码,为更好的存储和传输。
例子:(来自知乎,侵权删..
I 0049t 0074' 0027s 0073 0020知 77e5乎 4e4e日 65e5报 62a5
每一个字符对应一个十六进制数字。
计算机只懂二进制,因此,严格按照unicode的方式(UCS-2),应该这样存储:I 00000000 01001001t 00000000 01110100' 00000000 00100111s 00000000 01110011 00000000 00100000知 01110111 11100101乎 01001110 01001110日 01100101 11100101报 01100010 10100101
这个字符串总共占用了18个字节,但是对比中英文的二进制码,可以发现,英文前9位都是0!浪费啊,浪费硬盘,浪费流量。
怎么办?
UTF。
UTF-8是这样做的:
1. 单字节的字符,字节的第一位设为0,对于英语文本,UTF-8码只占用一个字节,和ASCII码完全相同;
2. n个字节的字符(n>1),第一个字节的前n位设为1,第n+1位设为0,后面字节的前两位都设为10,这n个字节的其余空位填充该字符unicode码,高位用0补足。
这样就形成了如下的UTF-8标记位:
0xxxxxxx
110xxxxx 10xxxxxx
1110xxxx 10xxxxxx 10xxxxxx
11110xxx 10xxxxxx 10xxxxxx 10xxxxxx
111110xx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx
1111110x 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx
... ...
I 01001001t 01110100' 00100111s 01110011 00100000知 11100111 10011111 10100101乎 11100100 10111001 10001110日 11100110 10010111 10100101报 11100110 10001010 10100101
和上边的方案对比一下,英文短了,每个中文字符却多用了一个字节。但是整个字符串只用了17个字节,比上边的18个短了一点点。
此外,除了UTF-8 通用的传输编码方式外,还有计算机历史原因而存在的一些其他编码方式;
最早计算机在美国使用,因此有ANSI的”Ascii”编码(American Standard Code for Information Interchange,美国信息互换标准代码。用于表示英文文字。
后来,加入了很多画表格时需要用下到的横线、竖线、交叉等形状,一直把序号编到了最后一个状态255。从128 到255这一页的字符集被称”扩展字符集。
后来,加入汉字编码的“GB2312“。GB2312 是对 ASCII 的中文扩展。
后来,扩展了近20000个新的汉字(包括繁体字)和符号的GBK标准。
再扩展,又加了几千个新的少数民族的字,GBK扩成了GB18030。
- Unicode与UTF-8的区别理解
- Unicode与UTF-8/UTF-16/UTF-32的区别
- Unicode与UTF-8/UTF-16/UTF-32的区别
- utf-8与unicode的区别
- utf-8与unicode的区别
- UTF-8与Unicode的区别
- Unicode与utf-8之间的区别
- UTF-8 与 unicode 区别
- unicode utf-8 的理解
- Unicode、UTF-8的理解
- UTF-8、UTF-16、Unicode的区别
- Unicode/UTF-8的区别
- Unicode/UTF-8的区别
- Unicode&UTF-8的区别
- UTF-8编码与Unicode编码的区别与联系
- Unicode与UTF-8的区别与联系
- Unicode UTF-8 UTF-16 UTF-32区别与联系
- 关于编码ansi、GB2312、unicode与utf-8的区别
- UpdateAppUtils一行代码实现app在线更新
- https 的一些问题
- nodeJS搭建前端服务环境(适配开发工具eclipse及sublime Text)
- 动手实操 | 如何用 Python 实现人脸识别,证明这个杨幂是那个杨幂?
- 人工智能机器回话 api + html
- Unicode与UTF-8的区别理解
- 实现斐波那契数列(跳台阶问题)
- gitlab 升级
- 正则表达式匹配 --所有语言通用
- libevent 安装与应用
- HUD2084 数塔 -- 动态规划
- 美团外卖,饿了么,百度外卖我只想用一台打印机??
- mysql 行锁小技巧 索引对行锁的影响 批量update的时候容易出现死锁
- 收藏一下地址