UCS-2、UCS-4、UTF-8、UTF-16、UTF-32介绍
轉載地址:https://charlee.li/unicode-intro.html
基本知識
? ?(1) 字節和字符的區別
? ? ? ?咦，字節和字符能有什么區別啊？不都是一樣的嗎？完全正確，但只是在古老的DOS時代。 當Unicode出現后，字節和字符就不一樣了。
? ? ? ?字節（octet）是一個八位的存儲單元，取值范圍一定是0～255。而字符（character，或者word） 為語言意義上的符號，范圍就不一定了。例如在UCS-2中定義的字符范圍為0～65535， 它的一個字符占用兩個字節。
? ? (2) BigEndian和Little Endian??
? ? ? ?上面提到了一個字符可能占用多個字節，那么這多個字節在計算機中如何存儲呢？ 比如字符0xabcd，它的存儲格式到底是? ? ? ? ? ?AB CD，還是 CD AB 呢？
? ? ? ?實際上兩者都有可能，并分別有不同的名字。如果存儲為 AB CD，則稱為Big Endian； 如果存儲為 CD AB，則稱為Little? ? ? ? ? ?Endian。
? ? ? ?具體來說，以下這種存儲格式為Big Endian，因為值(0xabcd)的高位(0xab)存儲在前面：
| 地址 | 值 |
| 0x00000000 | AB |
| 0x00000001 | CD |
? ? ? ?相反，以下這種存儲格式為Little Endian：
| 地址 | 值 |
| 0x00000000 | CD |
| 0x00000001 | AB |
?(2) UCS-2和UCS-4
? ? ?Unicode是為整合全世界的所有語言文件所誕生的。任何文字在Unicode中都對應一個值，這個值稱為代碼點(code point)。代碼點的值通常寫成U+ABCD的格式。?而文字和代碼點之間的對應關系就是UCS-2（Universal Character Set coded in 2 octets）。 顧名思義，UCS-2是用兩個字節來表示代碼點，其取值范圍為 U+0000～U+FFFF。
? ? ?為了能表示更多的文字，人們又提到了UCS-4,即用四個字節表示代碼點。它的范圍為U+00000000~U+7FFFFFFF,其中U+00000000~U+0000FFFF和UCS-2是一樣的。
? ? ?要注意，UCS-2和UCS-4只規定了代碼點和文字之間的對應關系，并沒有規定代碼點在計算機中如何存儲。規定存儲方式的稱為UTF(Unicode Transformation Format),其中應用較多的就是UTF-16和UTF-8了。
? (3) UTF-16和UTF-32
? ? a.UTF-16
? ? ? UTF-16由RFC2781規定，它使用兩個字節來表示一個代碼點。
? ? ? 不難猜到，UTF-16是完全對應于UCS-2的，即把UCS-2規定的代碼點通過Big Endian或Little Endian方式直接保存下來。UTF-16包括三種:UTF-16,UTF-16BE(Big Endian),UTF-16LE(Little Endian)。
? ? ? ?UTF-16BE和UTF-16LE不難理解，而UTF-16就需要通過在文件開頭以名為BOM(Byte Order Mark)的字符來表明文件時Big Endian還是Little Endian。BOM為U+FEFF這個字符。
? ? ? ?其實BOM是個小聰明的想法。由于UCS-2沒有定義U+FFFE,因此只要出現FF FE或者FE FF這樣的字節序列，就可以認為它是U+FEFF,并且可以判斷出是Big Endian還是Little Endian。
? ? ? ?舉個例子，“ABC”這三個字符用各種方式編碼后的結果如下:
? ? ? ? UTF-16BE? ? ? ? ? ? ? ? ? ? ?00 41 00 42 00 43
? ? ? ? UTF-16LE? ? ? ? ? ? ? ? ? ? ? 41 00 42 00 43 00
? ? ? ? UTF-16(Big Endian)? ? ? ?FE FF 00 41 00 43 00 43
? ? ? ? UTF-16(Little Endian)? ? ?FF FE 41 00 42 00 43 00
? ? ? ? UTF-16(不帶BOM)? ? ? ? ?00 41 00 42 00 43
? ? ? ? Windows平臺下默認的Unicode編碼為Little Endian的UTF-16(即上述的FF FE 41 00 42 00 43 00)。你可以打開記事本，寫上ABC，然后保存，再用二進制編輯器看看它的編碼結果。
? ? ? ??
? ? ? ? 另外，UTF-16還能表示一部分的UCS-4代碼點-----U+10000~U+10FFFF。表示算法比較復雜，簡單說明如下: 1.從代碼點U中減去0x10000,得到'U'。這樣U+10000~U+10FFFF就變成了0x00000~0xFFFFF。2.用20位二進制數表示U’。
? ? ? ??U’=yyyyyyyyyyxxxxxxxxxx 3. 將前10位和后10位用W1和W2表示，W1=110110yyyyyyyyyy，W2=110111xxxxxxxxxx，則 W1 = D800～DBFF，W2 = DC00～DFFF。
? ? ? ? 例如，U+12345表示為 D8 08 DF 45（UTF-16BE），或者08 D8 45 DF（UTF-16LE）。
? ? ? ? 但是由于這種算法的存在，造成UCS-2中的 U+D800～U+DFFF 變成了無定義的字符。
? ? ?b.UTF-32
? ? ? ? ?UTF-32用四個字節表示代碼點，這樣就可以完全表示UCS-4的所有代碼點，而無需像UTF-16那樣使用復雜的算法。 與UTF-16類似，UTF-32也包括UTF-32、UTF-32BE、UTF-32LE三種編碼，UTF-32也同樣需要BOM字符。 僅用’ABC’舉例：
UTF-32BE? ? ? ? ? ? ? ? ? ?00 00 00 41 00 00 00 42 00 00 00 43
UTF-32LE? ? ? ? ? ? ? ? ? ?41 00 00 00 42 00 00 00 43 00 00 00
UTF-32(Big Endian)? ? 00 00 FE FF 00 00 00 41 00 00 00 42 00 00 00 43
UTF-32(Little Endian)? FF FE 00 00 41 00 00 00 42 00 00 00 43 00 00 00
UTF-32(不帶BOM)? ? ? ?00 00 00 41 00 00 00 42 00 00 00 43
? ? ? ?c.UTF-8
? ? ? ? ??UTF-16和UTF-32的一個缺點就是它們固定使用兩個或四個字節， 這樣在表示純ASCII文件時會有很多00字節，造成浪費。 而RFC3629定義的UTF-8則解決了這個問題。
? ? ? ? ??UTF-8用1～4個字節來表示代碼點。表示方式如下：
| UCS-2(UCS-4) | 位序列 | 第一字節 | 第二字節 | 第三字節 | 第四字節 |
| U+0000 .. U+007F | 00000000-0xxxxxxx | 0xxxxxxx | ? | ? | ? |
| U+0080 .. U+07FF | 00000xxx-xxyyyyyy | 110xxxxx | 10yyyyyyy | ? | ? |
| U+0800 .. U+FFFF | xxxxyyyy-yyzzzzzz | 1110xxxx | 10yyyyyy | 10zzzzzz | ? |
| U+10000 .. U+10FFFF | 00000000-000wwwxx-xxxxyyyy-yyzzzzzz | 11110www | 10xxxxxx | 10yyyyyy | 10zzzzzz |
? ? ? ? ? ?可見，ASCII字符（U+0000～U+007F）部分完全使用一個字節，避免了存儲空間的浪費。 而且UTF-8不再需要BOM字節。
? ? ? ? ? ?另外，從上表中可以看出，單字節編碼的第一字節為[00-7F]，雙字節編碼的第一字節為[C2-DF]， 三字節編碼的第一字節為[E0-EF]。這樣只要看到第一個字節的范圍就可以知道編碼的字節數。 這樣也可以大大簡化算法。
?
?
?
?
?
?
總結
以上是生活随笔為你收集整理的UCS-2、UCS-4、UTF-8、UTF-16、UTF-32介绍的全部內容，希望文章能夠幫你解決所遇到的問題。
- 上一篇： #,#x,\u开头的unicode介绍
- 下一篇： C语言切割多层字符串(strtok_r