utf-8编码为byte数组的计算过程

无法收藏，原文转载

原文：http://blog.csdn.net/liuwenjie517333813/article/details/68060904

背景：

 对于编码解码的计算过程一直没有去研究过。以前也看了大神写的编码解码的文章，当时看了似懂非懂，没有仔细去品味，没去实践。正应了那句老话：纸上得来终觉浅，绝知此事要躬行。

 为什么有编码和解码？二什么时候会出现编码和解码？编码解码的算法是怎样的？

         推荐两篇文章

 

                        http://www.ibm.com/developerworks/cn/java/j-lo-chinesecoding/

                         http://blog.csdn.net/baixiaoshi/article/details/40786503

          已经回答的很好了，^^偷懒不写了。

基础知识：

unicode转换为utf-8编码的规则

 

Unicode         UTF-8

 

0000-007F      0xxxxxxx

 

0080-07FF     110xxxxx 10xxxxxx

 

0800-FFFF    1110xxxx 10xxxxxx 10xxxxxx

 

 如果字符对应编码值小于0x7F，则转换该为1个byte，最高位为0（0x7F转换为二进制为111111，7个1。不会出现最高位为1，最高位为1肯定大于7F。），该字符对应的二进制替换X，不足7位前面高位加0

 

    编码值在0080到07FF字符，会转换为2个字节，并且第一个字节以110开头，第二个字节以10开头，字符对应的编码值转换为2进制后的数据，填充X。不足位数的高位加0

 

    编码值在0800到FFFF字符，会转换为3个字节，并且第一个字节以1110开头，后面字节以10开头，字符对应的编码值转换为2进制后的数据，填充X。不足位数的高位加0

 

    也就是说大于07XX编码值的字符，转换为字节时，第一个字节中连续1的个数表示该字符对应字节的长度

计算过程

          

[java] view plain copy

1. String name = "中";  
2. char[] chars = name.toCharArray();  
3. //使用utf-8编码字符集  
4. Charset charset = Charset.forName("utf-8");  
5. CharBuffer charBuffer = CharBuffer.allocate(chars.length);  
6. charBuffer.put(chars);  
7. charBuffer.flip();  
8. //字符编码为字节数组  
9. ByteBuffer byteBuffer = charset.encode(charBuffer);  
10. byte[] charToBytes = byteBuffer.array();  
11. System.out.println("chars.length:" + chars.length+";bytes.length:" + charToBytes.length);  
12. byte[] bytes = name.getBytes("utf-8");  

 

 

    运行后byte数组值，可通过debug查看

 

 

   转换过程

“中”的unicode通过查unicode编码表可知为：4E2D（十六进制的数，附件是网上找的一个编码表），通过转换为二进制：100111000101101。4E2D落在了0800~ FFFF区间内，再依据前面转换规则填充x。

 

   填充过程：

最后获得 11100100  10111000 10101101。

 

二进制到byte的换算过程

 

根据1个字节占8位，换算为字节数组[224,184,173]，这和程序运行结果[-28，-72，-83]，对不上，脑袋当时就卡了。然后一想不对呀，java中byte的范围是-128到127，手工算出来的是224,184,173这明显超出了byte数值的范围。又一想这都是按无符号数进行二进制转换为byte。查了下无符号数转换为有符号数的规则（也有说这是补码）:最高位用来表示符号，其余按位取反再加1。

 

            按位取反                加1

11100100--------------->10011011-------------> 10011100

 

 最高位为符号位不参与计算，剩下的二进制0011100转换为十进制为 28，加上符号为-28

同理

        10111000转换后的十进制为 ：-72

        10101101转换后的十进制为：-83

 

          最终和程序运行结果一样。

 

 

• unicode中文码表.zip (123.4 KB)
• 下载次数: 1

• 查看图片附件

版权声明：本文为博主原创文章，未经博主允许不得转载。