zoukankan      html  css  js  c++  java
  • Unicode 和 UTF-8 是什么关系?

     

    2015-10-14 10:08    评论: 9 收藏: 4    

     
     
     

    绝大多数程序员都听说过 Unicode 和 UTF-8,但是清楚它们之间关系的人就不多了,关于这个问题,与其苍白的陈述它们的概念,不如举例子说明来得自然。

    我前些天碰到一个需求:随机生成几个汉字。原本我便对编码之类的问题发怵,所以完全搞不清楚状况,无奈之下我便上网搜索了一个 PHP 版本的实现:

    1. <?php
    2. $zh = '';
    3. for($i = 0; $i < 3; $i++) {
    4. $zh .= '&#'. rand(19968, 40869) . ';';
    5. }
    6. echo mb_convert_encoding($zh, 'UTF-8', 'HTML-ENTITIES');
    7. ?>

    不过代码里的「19968」和「40869」是什么玩意?这又牵扯到 Unicode code points,为了更好的说明问题,我们需要把如上十进制转换成十六进制:

    shell> php -r 'echo dechex(19968);'
    4e00
    
    shell> php -r 'echo dechex(40908);'
    9fcc

    在 Unicode 官方网站,我们能查到 Unihan Grid Index,其中 CJK Unified Ideographs 部分包含了大部分的汉字,其 code points 恰恰是从 U+4E00 到 U+9FCC!

    单单上面一个例子还不足以说明问题,下面我们挑选一个「」字深入说明一下:

    Unicode

    Unicode

    因为我们编码是 UTF-8,所以就先看看「博」字的 UTF-8 编码是什么:

    1. <?php
    2. $string = "博";
    3. for ($i = 0; $i < strlen($string); $i++) {
    4. echo dechex(ord($string[$i]));
    5. }
    6. ?>

    代码看上去有点冗长,实际上利用 pack/unpack 函数可以很简单的实现类似的逻辑:

    shell> php -r 'var_dump(unpack("H6", "博"));'
    array(1) {
      ["codes"]=>
      string(6) "e58d9a"
    }

    于是乎「博」字的 UTF-8 编码是「e58d9a」,再看怎么得到 unicode code point:

    shell> php -r 'echo base_convert("e58d9a", 16, 2);'
    11100101 10001101 10011010

    如上拿到了「博」字的二进制表示,实际上其 unicode code point 就隐藏在这里。通常汉字用 UTF-8 表示时是三个字节,格式为「1110XXXX 10XXXXXX 10XXXXXX」,除掉标志位,把剩余对应位置上的数据抽取出来连接在一起,就得到了 Unicode code point,也就是「0101 001101 011010」,剩下的就简单了,把它从二进制转换成十六进制即可:

    shell> php -r 'echo base_convert("0101001101011010", 2, 16);'
    535a

    需要说明的是,如果你仅仅看「博」字,会发现其 Unicode code point 和 UTF-16 是一样的,很容易据此认为它们是等同的概念,实际上这个结论仅仅在双字节(UCS-2)时才是成立的,一旦大于两个字节,就不成立了,有兴趣的可以参考相应的例子

    到底 Unicode 和 UTF-8 是什么关系?一句话:Unicode 是字符集;UTF-8 是编码

  • 相关阅读:
    linux 加载模块时出现cannot insert '*.ko': Device or resource busy错误
    Beej's Guides [Share]
    linux 符号链接与硬链接的区别
    Source Insight 3.5 一直刷新问题
    linux 内核线程与普通进程的区别
    为明远智睿 imx6q Demo v2.5 添加spi5的支持
    linux dereferencing pointer to incomplete type错误
    imx6 ECSPI Config Register 中SS_CTL的使用
    linux Copy-on-Write
    C语言根据国家英文首字母进行排序
  • 原文地址:https://www.cnblogs.com/SZLLQ2000/p/5366898.html
Copyright © 2011-2022 走看看