今天中午，我突然想搞清楚 Unicode 和 UTF-8 之間的關(guān)系犬金，就開(kāi)始查資料念恍。

這個(gè)問(wèn)題比我想象的復(fù)雜六剥，午飯后一直看到晚上9點(diǎn)，才算初步搞清楚峰伙。

下面就是我的筆記疗疟，主要用來(lái)整理自己的思路。我盡量寫(xiě)得通俗易懂瞳氓，希望能對(duì)其他朋友有用策彤。畢竟，字符編碼是計(jì)算機(jī)技術(shù)的基石匣摘，想要熟練使用計(jì)算機(jī)店诗，就必須懂得一點(diǎn)字符編碼的知識(shí)。

一音榜、ASCII 碼

我們知道庞瘸，計(jì)算機(jī)內(nèi)部，所有信息最終都是一個(gè)二進(jìn)制值赠叼。每一個(gè)二進(jìn)制位（bit）有0和1

兩種狀態(tài)擦囊，因此八個(gè)二進(jìn)制位就可以組合出256種狀態(tài)，這被稱(chēng)為一個(gè)字節(jié)（byte）嘴办。也就是說(shuō)瞬场，一個(gè)字節(jié)一共可以用來(lái)表示256種不同的狀態(tài)，每一個(gè)狀態(tài)對(duì)應(yīng)一個(gè)符號(hào)涧郊，就是256個(gè)符號(hào)贯被，從00000000到11111111。

上個(gè)世紀(jì)60年代妆艘，美國(guó)制定了一套字符編碼彤灶，對(duì)英語(yǔ)字符與二進(jìn)制位之間的關(guān)系，做了統(tǒng)一規(guī)定双仍。這被稱(chēng)為 ASCII 碼，一直沿用至今桌吃。

ASCII 碼一共規(guī)定了128個(gè)字符的編碼朱沃，比如空格SPACE是32（二進(jìn)制00100000），大寫(xiě)的字母A

是65（二進(jìn)制01000001）茅诱。這128個(gè)符號(hào)（包括32個(gè)不能打印出來(lái)的控制符號(hào)）逗物，只占用了一個(gè)字節(jié)的后面7位，最前面的一位統(tǒng)一規(guī)定為0瑟俭。

二翎卓、非 ASCII 編碼

英語(yǔ)用128個(gè)符號(hào)編碼就夠了，但是用來(lái)表示其他語(yǔ)言摆寄，128個(gè)符號(hào)是不夠的失暴。比如坯门，在法語(yǔ)中，字母上方有注音符號(hào)逗扒，它就無(wú)法用 ASCII 碼表示古戴。于是，一些歐洲國(guó)家就決定矩肩，利用字節(jié)中閑置的最高位編入新的符號(hào)现恼。比如，法語(yǔ)中的é

的編碼為130（二進(jìn)制10000010）黍檩。這樣一來(lái)叉袍，這些歐洲國(guó)家使用的編碼體系，可以表示最多256個(gè)符號(hào)刽酱。

但是喳逛，這里又出現(xiàn)了新的問(wèn)題。不同的國(guó)家有不同的字母肛跌，因此艺配，哪怕它們都使用256個(gè)符號(hào)的編碼方式，代表的字母卻不一樣衍慎。比如转唉，130在法語(yǔ)編碼中代表了é，在希伯來(lái)語(yǔ)編碼中卻代表了字母Gimel(?)稳捆，在俄語(yǔ)編碼中又會(huì)代表另一個(gè)符號(hào)赠法。但是不管怎樣，所有這些編碼方式中乔夯，0--127表示的符號(hào)是一樣的砖织，不一樣的只是128--255的這一段。

至于亞洲國(guó)家的文字末荐，使用的符號(hào)就更多了侧纯，漢字就多達(dá)10萬(wàn)左右。一個(gè)字節(jié)只能表示256種符號(hào)甲脏，肯定是不夠的眶熬，就必須使用多個(gè)字節(jié)表達(dá)一個(gè)符號(hào)。比如块请，簡(jiǎn)體中文常見(jiàn)的編碼方式是 GB2312娜氏，使用兩個(gè)字節(jié)表示一個(gè)漢字，所以理論上最多可以表示 256 x 256 = 65536 個(gè)符號(hào)墩新。

中文編碼的問(wèn)題需要專(zhuān)文討論贸弥，這篇筆記不涉及。這里只指出海渊，雖然都是用多個(gè)字節(jié)表示一個(gè)符號(hào)绵疲，但是GB類(lèi)的漢字編碼與后文的 Unicode 和 UTF-8 是毫無(wú)關(guān)系的哲鸳。

三. Unicode

正如上一節(jié)所說(shuō)，世界上存在著多種編碼方式最岗，同一個(gè)二進(jìn)制數(shù)字可以被解釋成不同的符號(hào)帕胆。因此，要想打開(kāi)一個(gè)文本文件般渡，就必須知道它的編碼方式懒豹，否則用錯(cuò)誤的編碼方式解讀，就會(huì)出現(xiàn)亂碼驯用。為什么電子郵件常常出現(xiàn)亂碼脸秽？就是因?yàn)榘l(fā)信人和收信人使用的編碼方式不一樣。

可以想象蝴乔，如果有一種編碼记餐，將世界上所有的符號(hào)都納入其中。每一個(gè)符號(hào)都給予一個(gè)獨(dú)一無(wú)二的編碼薇正，那么亂碼問(wèn)題就會(huì)消失片酝。這就是 Unicode，就像它的名字都表示的挖腰，這是一種所有符號(hào)的編碼雕沿。

Unicode 當(dāng)然是一個(gè)很大的集合，現(xiàn)在的規(guī)暮锫兀可以容納100多萬(wàn)個(gè)符號(hào)审轮。每個(gè)符號(hào)的編碼都不一樣，比如辽俗，U+0639表示阿拉伯字母Ain疾渣，U+0041表示英語(yǔ)的大寫(xiě)字母A，U+4E25表示漢字嚴(yán)崖飘。具體的符號(hào)對(duì)應(yīng)表榴捡，可以查詢unicode.org，或者專(zhuān)門(mén)的漢字對(duì)應(yīng)表朱浴。

四吊圾、Unicode 的問(wèn)題

需要注意的是，Unicode 只是一個(gè)符號(hào)集赊琳，它只規(guī)定了符號(hào)的二進(jìn)制代碼街夭，卻沒(méi)有規(guī)定這個(gè)二進(jìn)制代碼應(yīng)該如何存儲(chǔ)砰碴。

比如躏筏，漢字嚴(yán)的 Unicode 是十六進(jìn)制數(shù)4E25，轉(zhuǎn)換成二進(jìn)制數(shù)足足有15位（100111000100101）呈枉，也就是說(shuō)趁尼，這個(gè)符號(hào)的表示至少需要2個(gè)字節(jié)埃碱。表示其他更大的符號(hào)，可能需要3個(gè)字節(jié)或者4個(gè)字節(jié)酥泞，甚至更多砚殿。

這里就有兩個(gè)嚴(yán)重的問(wèn)題，第一個(gè)問(wèn)題是芝囤，如何才能區(qū)別 Unicode 和 ASCII 似炎？計(jì)算機(jī)怎么知道三個(gè)字節(jié)表示一個(gè)符號(hào)，而不是分別表示三個(gè)符號(hào)呢悯姊？第二個(gè)問(wèn)題是羡藐，我們已經(jīng)知道，英文字母只用一個(gè)字節(jié)表示就夠了悯许，如果 Unicode 統(tǒng)一規(guī)定仆嗦，每個(gè)符號(hào)用三個(gè)或四個(gè)字節(jié)表示，那么每個(gè)英文字母前都必然有二到三個(gè)字節(jié)是0先壕，這對(duì)于存儲(chǔ)來(lái)說(shuō)是極大的浪費(fèi)瘩扼，文本文件的大小會(huì)因此大出二三倍，這是無(wú)法接受的垃僚。

它們?cè)斐傻慕Y(jié)果是：1）出現(xiàn)了 Unicode 的多種存儲(chǔ)方式集绰，也就是說(shuō)有許多種不同的二進(jìn)制格式，可以用來(lái)表示 Unicode冈在。2）Unicode 在很長(zhǎng)一段時(shí)間內(nèi)無(wú)法推廣倒慧，直到互聯(lián)網(wǎng)的出現(xiàn)。

【小編推薦 ：C/C++學(xué)習(xí)交流裙： 553014383（編號(hào)：寂靜包券， 不填不會(huì)通過(guò)哦）

不定時(shí)分享干貨纫谅，包括2018最新的C/C++企業(yè)案例學(xué)習(xí)資料和零基礎(chǔ)入門(mén)教程，歡迎自學(xué)的小白和大神一起來(lái)學(xué)習(xí)交流溅固。

?】

五付秕、UTF-8

互聯(lián)網(wǎng)的普及，強(qiáng)烈要求出現(xiàn)一種統(tǒng)一的編碼方式侍郭。UTF-8 就是在互聯(lián)網(wǎng)上使用最廣的一種 Unicode 的實(shí)現(xiàn)方式询吴。其他實(shí)現(xiàn)方式還包括 UTF-16（字符用兩個(gè)字節(jié)或四個(gè)字節(jié)表示）和 UTF-32（字符用四個(gè)字節(jié)表示），不過(guò)在互聯(lián)網(wǎng)上基本不用亮元。重復(fù)一遍猛计，這里的關(guān)系是，UTF-8 是 Unicode 的實(shí)現(xiàn)方式之一爆捞。

UTF-8 最大的一個(gè)特點(diǎn)奉瘤，就是它是一種變長(zhǎng)的編碼方式。它可以使用1~4個(gè)字節(jié)表示一個(gè)符號(hào)，根據(jù)不同的符號(hào)而變化字節(jié)長(zhǎng)度盗温。

UTF-8 的編碼規(guī)則很簡(jiǎn)單藕赞，只有二條：

1）對(duì)于單字節(jié)的符號(hào)，字節(jié)的第一位設(shè)為0卖局，后面7位為這個(gè)符號(hào)的 Unicode 碼斧蜕。因此對(duì)于英語(yǔ)字母，UTF-8 編碼和 ASCII 碼是相同的砚偶。

2）對(duì)于n字節(jié)的符號(hào)（n > 1）批销，第一個(gè)字節(jié)的前n位都設(shè)為1，第n + 1位設(shè)為0染坯，后面字節(jié)的前兩位一律設(shè)為10风钻。剩下的沒(méi)有提及的二進(jìn)制位，全部為這個(gè)符號(hào)的 Unicode 碼酒请。

下表總結(jié)了編碼規(guī)則骡技，字母x表示可用編碼的位。

跟據(jù)上表羞反，解讀 UTF-8 編碼非常簡(jiǎn)單布朦。如果一個(gè)字節(jié)的第一位是0，則這個(gè)字節(jié)單獨(dú)就是一個(gè)字符昼窗；如果第一位是1是趴，則連續(xù)有多少個(gè)1，就表示當(dāng)前字符占用多少個(gè)字節(jié)澄惊。

下面唆途，還是以漢字嚴(yán)為例，演示如何實(shí)現(xiàn) UTF-8 編碼掸驱。嚴(yán)的 Unicode 是4E25（100111000100101）肛搬，根據(jù)上表，可以發(fā)現(xiàn)4E25處在第三行的范圍內(nèi)（0000 0800 - 0000 FFFF）毕贼，因此嚴(yán)的 UTF-8 編碼需要三個(gè)字節(jié)温赔，即格式是1110xxxx 10xxxxxx 10xxxxxx。然后鬼癣，從嚴(yán)的最后一個(gè)二進(jìn)制位開(kāi)始陶贼，依次從后向前填入格式中的x，多出的位補(bǔ)0待秃。這樣就得到了拜秧，嚴(yán)的 UTF-8 編碼是11100100 10111000 10100101，轉(zhuǎn)換成十六進(jìn)制就是E4B8A5章郁。

六枉氮、Unicode 與 UTF-8 之間的轉(zhuǎn)換

通過(guò)上一節(jié)的例子，可以看到嚴(yán)的 Unicode碼 是4E25，UTF-8 編碼是E4B8A5

嘲恍，兩者是不一樣的。它們之間的轉(zhuǎn)換可以通過(guò)程序?qū)崿F(xiàn)雄驹。

Windows平臺(tái)佃牛，有一個(gè)最簡(jiǎn)單的轉(zhuǎn)化方法，就是使用內(nèi)置的記事本小程序notepad.exe医舆。打開(kāi)文件后俘侠，點(diǎn)擊文件菜單中的另存為命令，會(huì)跳出一個(gè)對(duì)話框蔬将，在最底部有一個(gè)編碼

的下拉條爷速。

里面有四個(gè)選項(xiàng)：ANSI，Unicode霞怀，Unicode big endian和UTF-8惫东。

1）ANSI是默認(rèn)的編碼方式。對(duì)于英文文件是ASCII編碼毙石，對(duì)于簡(jiǎn)體中文文件是GB2312編碼（只針對(duì) Windows 簡(jiǎn)體中文版廉沮，如果是繁體中文版會(huì)采用 Big5 碼）。

2）Unicode編碼這里指的是notepad.exe使用的 UCS-2 編碼方式徐矩，即直接用兩個(gè)字節(jié)存入字符的 Unicode 碼滞时，這個(gè)選項(xiàng)用的 little endian 格式。

3）Unicode big endian編碼與上一個(gè)選項(xiàng)相對(duì)應(yīng)滤灯。我在下一節(jié)會(huì)解釋 little endian 和 big endian 的涵義坪稽。

4）UTF-8編碼，也就是上一節(jié)談到的編碼方法鳞骤。

選擇完"編碼方式"后窒百，點(diǎn)擊"保存"按鈕，文件的編碼方式就立刻轉(zhuǎn)換好了豫尽。

七贝咙、Little endian 和 Big endian

上一節(jié)已經(jīng)提到，UCS-2 格式可以存儲(chǔ) Unicode 碼（碼點(diǎn)不超過(guò)0xFFFF）拂募。以漢字嚴(yán)為例庭猩，Unicode 碼是4E25，需要用兩個(gè)字節(jié)存儲(chǔ)陈症，一個(gè)字節(jié)是4E蔼水，另一個(gè)字節(jié)是25。存儲(chǔ)的時(shí)候录肯，4E在前趴腋，25在后，這就是 Big endian 方式；25在前优炬，4E

在后颁井，這是 Little endian 方式。

這兩個(gè)古怪的名稱(chēng)來(lái)自英國(guó)作家斯威夫特的《格列佛游記》蠢护。在該書(shū)中雅宾，小人國(guó)里爆發(fā)了內(nèi)戰(zhàn)，戰(zhàn)爭(zhēng)起因是人們爭(zhēng)論葵硕，吃雞蛋時(shí)究竟是從大頭(Big-endian)敲開(kāi)還是從小頭(Little-endian)敲開(kāi)眉抬。為了這件事情，前后爆發(fā)了六次戰(zhàn)爭(zhēng)懈凹，一個(gè)皇帝送了命蜀变，另一個(gè)皇帝丟了王位。

第一個(gè)字節(jié)在前介评，就是"大頭方式"（Big endian）库北，第二個(gè)字節(jié)在前就是"小頭方式"（Little endian）。

那么很自然的们陆，就會(huì)出現(xiàn)一個(gè)問(wèn)題：計(jì)算機(jī)怎么知道某一個(gè)文件到底采用哪一種方式編碼贤惯？

Unicode 規(guī)范定義，每一個(gè)文件的最前面分別加入一個(gè)表示編碼順序的字符棒掠，這個(gè)字符的名字叫做"零寬度非換行空格"（zero width no-break space）孵构，用FEFF表示。這正好是兩個(gè)字節(jié)烟很，而且FF比FE大1颈墅。

如果一個(gè)文本文件的頭兩個(gè)字節(jié)是FE FF，就表示該文件采用大頭方式雾袱；如果頭兩個(gè)字節(jié)是FF FE恤筛，就表示該文件采用小頭方式。

八芹橡、實(shí)例

下面毒坛，舉一個(gè)實(shí)例。

打開(kāi)"記事本"程序notepad.exe林说，新建一個(gè)文本文件煎殷，內(nèi)容就是一個(gè)嚴(yán)字，依次采用ANSI腿箩，Unicode豪直，Unicode big endian和UTF-8編碼方式保存。

然后珠移，用文本編輯軟件UltraEdit 中的"十六進(jìn)制功能"弓乙，觀察該文件的內(nèi)部編碼方式末融。

1）ANSI：文件的編碼就是兩個(gè)字節(jié)D1 CF，這正是嚴(yán)的 GB2312 編碼暇韧，這也暗示 GB2312 是采用大頭方式存儲(chǔ)的勾习。

2）Unicode：編碼是四個(gè)字節(jié)FF FE 25 4E，其中FF FE表明是小頭方式存儲(chǔ)懈玻，真正的編碼是4E25巧婶。

3）Unicode big endian：編碼是四個(gè)字節(jié)FE FF 4E 25，其中FE FF表明是大頭方式存儲(chǔ)酪刀。

4）UTF-8：編碼是六個(gè)字節(jié)EF BB BF E4 B8 A5，前三個(gè)字節(jié)EF BB BF表示這是UTF-8編碼钮孵，后三個(gè)E4B8A5

就是嚴(yán)的具體編碼骂倘，它的存儲(chǔ)順序與編碼順序是一致的。

關(guān)注小編巴席。每天推送最新編程代碼資訊历涝。帶你領(lǐng)略代碼改變世界的魅力