编码知识学习笔记之三

一．UTF-8的如何编码

UTF-8就是以8位为单元对UCS进行编码。从UCS-2到UTF-8的编码方式如下：

序号

UCS-2编码的范围(16进制)

UTF-8 字节流(二进制)

说明

1

0000 - 007F

0xxxxxxx

1个字节，格式为
0xxxxxxx

2

0080 - 07FF

110xxxxx 10xxxxxx

2个字节，格式分别为

110xxxxx

10xxxxxx

3

0800 - FFFF

1110xxxx 10xxxxxx 10xxxxxx

3个字节，格式分别为：

1110xxxx

10xxxxxx

10xxxxxx

二．UTF-8编码举例

例如“汉”字的Unicode编码是6C49。6C49在0800-FFFF之间，所以肯定要用3字节模板了：1110xxxx 10xxxxxx 10xxxxxx。

将6C49写成二进制是：0110 110001 001001， 用这个比特流依次代替模板中的x，得到：11100110 10110001 10001001，即E6 B1 89。

三．UTF-16的如何编码

UTF -16以16位为单元对UCS进行编码。

对于小于0x10000的UCS码，UTF-16编码就等于UCS码对应的16位无符号整数。

对于大于或者等于 0x10000的UCS码，定义了一个算法。

不过由于实际使用的UCS2，或者UCS4的BMP必然小于0x10000，所以就目前而言，可以认为UTF -16和UCS-2基本相同。

四．UTF-16与UCS-2的区别

UCS-2仅仅只是一个编码方案，UTF-16却要用于实际的传输，所以就不得不考虑字节序的问题。

五．为什么UTF编码会有字节序的问题

UTF -8以字节为编码单元，没有字节序的问题。

UTF-16以两个字节为编码单元，在解释一个UTF-16文本前，首先要弄清楚每个编码单元的字节序。例如收到一个“奎”的Unicode编码是594E，“乙”的Unicode编码是4E59。如果我们收到UTF-16字节流“594E”，那么这是“奎”还是 “乙”？

六．UFT字节序理解

UTF-8没有字节序的问题

UTF-16有字节序的问题

七．如何解决UTF-16字节序的问题

Unicode规范中推荐的标记字节顺序的方法是BOM。BOM不是“Bill Of Material”的BOM表，而是Byte Order Mark。BOM具体方法：

 

在UCS 编码中有一个叫做"ZERO WIDTH NO-BREAK SPACE"的字符，它的编码是FEFF。而FFFE在UCS中是不存在的字符，所以不应该出现在实际传输中。UCS规范建议我们在传输字节流前，先传输字符"ZERO WIDTH NO-BREAK SPACE"。

 

这样如果接收者收到FEFF，就表明这个字节流是Big-Endian的；如果收到FFFE，就表明这个字节流是Little-Endian的。因此字符"ZERO WIDTH NO-BREAK SPACE"又被称作BOM。

 

七．解决UTF-16字节序的问题的方法：

BOM

BOM是Byte Order Mark的缩写

八．BOM的实现思想：

在UCS 编码中有一个叫做"ZERO WIDTH NO-BREAK SPACE"的字符，它的编码是FEFF。而FFFE在UCS中是不存在的字符，所以不应该出现在实际传输中。UCS规范建议我们在传输字节流前，先传输字符"ZERO WIDTH NO-BREAK SPACE"。

 

这样如果接收者收到FEFF，就表明这个字节流是Big-Endian的；如果收到FFFE，就表明这个字节流是Little-Endian的。因此字符"ZERO WIDTH NO-BREAK SPACE"又被称作BOM。

九．BOM对UTF-8的意义是什么

UTF -8是不需要用BOM来表明字节顺序，但可以用BOM来表明编码方式。

字符"ZERO WIDTH NO-BREAK SPACE"的UTF-8编码是EF BB BF

所以接收者如果收到以EF BB BF开头的字节流，就知道这是UTF-8编码了。