程序员的自我修养-字符编码

看了阮一峰的Blog(很久之前的),突然就发现这么一个非常常见的问题,常常被我视而不见。而且我相信,有很大一部分同学应该和我一样,对此模棱两可。或许在很久之前在某次面试或考试之前准备过如此“冷门”的知识,现在早已抛之脑后。其实我们经常会遇到“�????????”和类似“烫烫烫烫”的玩意,对于这样经常造访的老朋友背后的技术细节我们有必要了解。

这里我偷懒引用两篇写的非常好的Blog作为内容,因为写的太清楚,太易懂。本着不重复发明轮子的原则,我就借花献佛。

阮一峰字符编码常识及问题解析 阅读完后一定会对编码有了基本的了解,同时对目前最为主流的utf-8,有清晰的认识。这样以后再处理乱码问题,就比起之前更游刃有余。

其中对于utf-8 部分,两篇描述各有侧重,我做个摘要

UTF-8是Unicode的实现方式之一。
UTF-8最大的一个特点,就是它是一种变长的编码方式。它可以使用1~4个字节表示一个符号,根据不同的符号而变化字节长度。
UTF-8的编码规则很简单,只有二条:
1)对于单字节的符号,字节的第一位设为0,后面7位为这个符号的unicode码。因此对于英语字母,UTF-8编码和ASCII码是相同的。
2)对于n字节的符号(n>1),第一个字节的前n位都设为1,第n+1位设为0,后面字节的前两位一律设为10。剩下的没有提及的二进制位,全部为这个符号的unicode码。
以汉字"严"为例,演示如何实现UTF-8编码。
已知"严"的unicode是4E25(100111000100101),根据上表,可以发现4E25处在第三行的范围内(0000 0800-0000 FFFF),因此"严"的UTF-8编码需要三个字节,即格式是"1110xxxx 10xxxxxx 10xxxxxx"。然后,从"严"的最后一个二进制位开始,依次从后向前填入格式中的x,多出的位补0。这样就得到了,"严"的UTF-8编码是"11100100 10111000 10100101",转换成十六进制就是E4B8A5。
摘自阮一峰-字符编码笔记:ASCII,Unicode和UTF-8

其中几个要点

  1. utf-8是可变长的,目前使用广泛,而且兼容ASCII
  2. 注意填写汉字编码时是从低位往高位,保证高位多余位置0

参考blog:
阮一峰-字符编码笔记:ASCII,Unicode和UTF-8
字符编码常识及问题解析

推荐阅读更多精彩内容