字元編碼原理

在計算機内部，所有資訊最終都是一個二進制值。每一個二進制位（bit）有0和1兩種狀态，是以八個二進制位就可以組合出256種狀态，這被稱為一個位元組（byte）。也就是說，一個位元組一共可以用來表示256種不同的狀态，每一個狀态對應一個符号，就是256個符号，從00000000到11111111。

上個世紀60年代，美國制定了一套字元編碼，對英語字元與二進制位之間的關系，做了統一規定。這被稱為 ASCII 碼，一直沿用至今。ASCII 碼一共規定了128個字元的編碼，比如空格SPACE是32（二進制00100000），大寫的字母A是65（二進制01000001）。這128個符号（包括32個不能列印出來的控制符号），隻占用了一個位元組的後面7位，最前面的一位統一規定為0

英語用128個符号編碼就夠了，但是用來表示其他語言，128個符号是不夠的。比如，在法語中，字母上方有注音符号，它就無法用 ASCII 碼表示。于是，一些歐洲國家就決定，利用位元組中閑置的最高位編入新的符号。比如，法語中的é的編碼為130（二進制10000010）。這樣一來，這些歐洲國家使用的編碼體系，可以表示最多256個符号。

但是，這裡又出現了新的問題。不同的國家有不同的字母，是以，哪怕它們都使用256個符号的編碼方式，代表的字母卻不一樣。比如，130在法語編碼中代表了é，在希伯來語編碼中卻代表了字母Gimel (ג)，在俄語編碼中又會代表另一個符号。但是不管怎樣，所有這些編碼方式中，0--127表示的符号是一樣的，不一樣的隻是128--255的這一段。

至于亞洲國家的文字，使用的符号就更多了，漢字就多達10萬左右。一個位元組隻能表示256種符号，肯定是不夠的，就必須使用多個位元組表達一個符号。比如，簡體中文常見的編碼方式是 GB2312，使用兩個位元組表示一個漢字，是以理論上最多可以表示 256 x 256 = 65536 個符号。

世界上存在着多種編碼方式，同一個二進制數字可以被解釋成不同的符号。是以，要想打開一個文本檔案，就必須知道它的編碼方式，否則用錯誤的編碼方式解讀，就會出現亂碼。為什麼電子郵件常常出現亂碼？就是因為發信人和收信人使用的編碼方式不一樣。

如果有一種編碼，将世界上所有的符号都納入其中。每一個符号都給予一個獨一無二的編碼，那麼亂碼問題就會消失。這就是 Unicode，就像它的名字都表示的，這是一種所有符号的編碼。

Unicode 當然是一個很大的集合，現在的規模可以容納100多萬個符号。每個符号的編碼都不一樣，比如，U+0639表示阿拉伯字母Ain，U+0041表示英語的大寫字母A，U+4E25表示漢字嚴。具體的符号對應表，可以查詢unicode.org，或者專門的漢字對應表。

Unicode 隻是一個符号集，它隻規定了符号的二進制代碼，卻沒有規定這個二進制代碼應該如何存儲。

比如，漢字嚴的 Unicode 是十六進制數4E25，轉換成二進制數足足有15位（100111000100101），也就是說，這個符号的表示至少需要2個位元組。表示其他更大的符号，可能需要3個位元組或者4個位元組，甚至更多。

這裡就有兩個嚴重的問題，第一個問題是，如何才能差別 Unicode 和 ASCII ？計算機怎麼知道三個位元組表示一個符号，而不是分别表示三個符号呢？第二個問題是，我們已經知道，英文字母隻用一個位元組表示就夠了，如果 Unicode 統一規定，每個符号用三個或四個位元組表示，那麼每個英文字母前都必然有二到三個位元組是0，這對于存儲來說是極大的浪費，文本檔案的大小會是以大出二三倍，這是無法接受的。

它們造成的結果是：1）出現了 Unicode 的多種存儲方式，也就是說有許多種不同的二進制格式，可以用來表示 Unicode。2）Unicode 在很長一段時間内無法推廣，直到網際網路的出現。

網際網路的普及，強烈要求出現一種統一的編碼方式。UTF-8 就是在網際網路上使用最廣的一種 Unicode 的實作方式。其他實作方式還包括 UTF-16（字元用兩個位元組或四個位元組表示）和 UTF-32（字元用四個位元組表示），不過在網際網路上基本不用。重複一遍，這裡的關系是，UTF-8 是 Unicode 的實作方式之一。

UTF-8 最大的一個特點，就是它是一種變長的編碼方式。它可以使用1~4個位元組表示一個符号，根據不同的符号而變化位元組長度。

UTF-8 的編碼規則很簡單，隻有二條：

1）對于單位元組的符号，位元組的第一位設為0，後面7位為這個符号的 Unicode 碼。是以對于英語字母，UTF-8 編碼和 ASCII 碼是相同的。

2）對于n位元組的符号（n > 1），第一個位元組的前n位都設為1，第n + 1位設為0，後面位元組的前兩位一律設為10。剩下的沒有提及的二進制位，全部為這個符号的 Unicode 碼。

下表總結了編碼規則，字母x表示可用編碼的位。

<col>

1

2

3

4

5

6

7

​<code>​Unicode符号範圍      |        UTF-8編碼方式​</code>​

​<code>​(十六進制)           |       （二進制）​</code>​

​<code>​--------------------+-------------------------------------​</code>​

​<code>​0000 0000-0000 007F | 0xxxxxxx​</code>​

​<code>​0000 0080-0000 07FF | 110xxxxx 10xxxxxx​</code>​

​<code>​0000 0800-0000 FFFF | 1110xxxx 10xxxxxx 10xxxxxx​</code>​

​<code>​0001 0000-0010 FFFF | 11110xxx 10xxxxxx 10xxxxxx 10xxxxxx​</code>​

跟據上表，解讀 UTF-8 編碼非常簡單。如果一個位元組的第一位是0，則這個位元組單獨就是一個字元；如果第一位是1，則連續有多少個1，就表示目前字元占用多少個位元組。

下面，還是以漢字嚴為例，示範如何實作 UTF-8 編碼。

嚴的 Unicode 是4E25（100111000100101），根據上表，可以發現4E25處在第三行的範圍内（0000 0800 - 0000 FFFF），是以嚴的 UTF-8 編碼需要三個位元組，即格式是1110xxxx 10xxxxxx 10xxxxxx。然後，從嚴的最後一個二進制位開始，依次從後向前填入格式中的x，多出的位補0。這樣就得到了，嚴的 UTF-8 編碼是11100100 10111000 10100101，轉換成十六進制就是E4B8A5。

如果你覺得此文對你有一丁點幫助，點個贊。或者可以加入我的開發交流群：1025263163互相學習，我們會有專業的技術答疑解惑

如果你覺得這篇文章對你有點用的話，麻煩請給我們的開源項目點點star: ​​http://github.crmeb.net/u/defu​​ 不勝感激 ！