為啥需要Unicode


我們知道計算機其實挺笨的,它只認識0101這樣的字串,當然了我們看這樣的01串時肯定會比較頭暈的,所以很多時候為了描述簡單都用十進位制,十六進位制,八進位制表示.實際上都是等價的,沒啥太多不一樣.其他啥文字圖片之類的其他東東計算機不認識.那為了在計算機上表示這些資訊就必須轉換成一些數字.你肯定不能想怎麼轉換就怎麼轉,必須得有定些規則.於是剛開始的時候就有ASCII字符集(American Standard Code for Information Interchange， "美國資訊交換標準碼),它使用7 bits來表示一個字元,總共表示128個字元,我們一般都是用位元組(byte,即8個01串)來作為基本單位.那麼怎麼當用一個位元組來表示字元時第一個bit總是0,剩下的七個位元組就來表示實際內容.後來IBM公司在此基礎上進行了擴充套件，用8bit來表示一個字元，總共可以表示256個字元.也就是當第一個bit是0時仍表示之前那些常用的字元.當為1時就表示其他補充的字元.

英文字母再加一些其他標點字元之類的也不會超過256個.一個位元組表示主足夠了.但其他一些文字不止這麼多 ,像漢字就上萬個.於是又出現了其他各種字符集.這樣不同的字符集交換資料時就有問題了.可能你用某個數字表示字元A,但另外的字符集又是用另外一個數字表示A.這樣互動起來就麻煩了.於是就出現了Unicode和ISO這樣的組織來統一制定一個標準,任何一個字元只對應一個確定的數字.ISO取的名字叫UCS(Universal Character Set),Unicode取的名字就叫unicode了.

總結起來為啥需要Unicodey就是為了適應全球化的發展,便於不同語言之間的相容互動,而ASCII不再能勝任此任務了.


Unicode詳細介紹


1.容易產生後歧義的兩位元組

unicode的第一個版本是用兩個位元組(16bit)來表示所有字元

.實際上這麼說容易讓人產生歧義,我們總覺得兩個位元組就代表儲存在計算機中時是兩個位元組.於是任何字元如果用unicode表示的話儲存下來都佔兩個位元組.其實這種說法是錯誤的.

其實Unicode涉及到兩個步驟,首先是定義一個規範,給所有的字元指定一個唯一對應的數字,這完全是數學問題,可以跟計算機沒半毛錢關係.第二步才是怎麼把字元對應的數字儲存在計算機中,這才涉及到實際在計算機中佔多少位元組空間.

所以我們也可以這樣理解,Unicode是用0至65535之間的數字來表示所有字元.其中0至127這128個數字表示的字元仍然跟ASCII完全一樣.65536是2的16次方.這是第一步.第二步就是怎麼把0至65535這些數字轉化成01串儲存到計算機中.這肯定就有不同的儲存方式了.於是出現了UTF(unicode transformation format),有UTF-8,UTF-16.


2.UTF-8 與UTF-16的區別

UTF-16比較好理解,就是任何字元對應的數字都用兩個位元組來儲存.我們通常對Unicode的誤解就是把Unicode與UTF-16等同了.但是很顯然如果都是英文字母這做有點浪費.明明用一個位元組能表示一個字元為啥整兩個啊.

於是又有個UTF-8,這裡的8非常容易誤導人,8不是指一個位元組,難道一個位元組表示一個字元?實際上不是.當用UTF-8時表示一個字元是可變的,有可能是用一個位元組表示一個字元,也可能是兩個,三個.當然最多不能超過3個位元組了.反正是根據字元對應的數字大小來確定.

於是UTF-8和UTF-16的優劣很容易就看出來了.如果全部英文或英文與其他文字混合,但英文佔絕大部分,用UTF-8就比UTF-16節省了很多空間.而如果全部是中文這樣類似的字元或者混合字元中中文佔絕大多數.UTF-16就佔優勢了,可以節省很多空間.另外還有個容錯問題,等會再講



看的有點暈了吧,舉個例子.假如中文字"漢"對應的unicode是6C49(這是用十六進位制表示,用十進位制表示是27721為啥不用十進位制表示呢?很明顯用十六進位制表示要短點.其實都是等價的沒啥不一樣.就跟你說60分鐘和1小時一樣.).你可能會問當用程式開啟一個檔案時我們怎麼知道那是用的UTF-8還是UTF-16啊.自然會有點啥標誌,在檔案的開頭幾個位元組就是標誌.

EF BB BF 表示UTF-8

FE FF 表示UTF-16.


用UTF-16表示"漢"

假如用UTF-16表示的話就是01101100 01001001(共16 bit,兩個位元組).程式解析的時候知道是UTF-16就把兩個位元組當成一個單元來解析.這個很簡單.

用UTF-8表示"漢"

用UTF-8就有複雜點.因為此時程式是把一個位元組一個位元組的來讀取,然後再根據位元組中開頭的bit標誌來識別是該把1個還是兩個或三個位元組做為一個單元來處理.

0xxxxxxx,如果是這樣的01串,也就是以0開頭後面是啥就不用管了XX代表任意bit.就表示把一個位元組做為一個單元.就跟ASCII完全一樣.

110xxxxx 10xxxxxx.如果是這樣的格式,則把兩個位元組當一個單元

1110xxxx 10xxxxxx 10xxxxxx 如果是這種格式則是三個位元組當一個單元.

這是約定的規則.你用UTF-8來表示時必須遵守這樣的規則.我們知道UTF-16不需要用啥字元來做標誌,所以兩位元組也就是2的16次能表示65536個字元.

而UTF-8由於裡面有額外的標誌資訊,所有一個位元組只能表示2的7次方128個字元,兩個位元組只能表示2的11次方2048個字元.而三個位元組能表示2的16次方,65536個字元.

由於"漢"的編碼27721大於2048了所有兩個位元組還不夠,只能用三個位元組來表示.

所有要用1110xxxx 10xxxxxx 10xxxxxx這種格式.把27721對應的二進位制從左到右填充XXX符號(實際上不一定從左到右,也可以從右到左,這是涉及到另外一個問題.等會說.

剛說到填充方式可以不一樣,於是就出現了Big-Endian,Little-Endian的術語.Big-Endian就是從左到右,Little-Endian是從右到左.

由上面我們可以看出UTF-8需要判斷每個位元組中的開頭標誌資訊,所以如果一當某個位元組在傳送過程中出錯了,就會導致後面的位元組也會解析出錯.而UTF-16不會判斷開頭標誌,即使錯也只會錯一個字元,所以容錯能力強.


Unicode版本2

前面說的都是unicode的第一個版本.但65536顯然不算太多的數字,用它來表示常用的字元是沒一點問題.足夠了,但如果加上很多特殊的就也不夠了.於是從1996年開始又來了第二個版本.用四個位元組表示所有字元.這樣就出現了UTF-8,UTF16,UTF-32.原理和之前肯定是完全一樣的,UTF-32就是把所有的字元都用32bit也就是4個位元組來表示.然後UTF-8,UTF-16就視情況而定了.UTF-8可以選擇1至8個位元組中的任一個來表示.而UTF-16只能是選兩位元組或四位元組..由於unicode版本2的原理完全是一樣的,就不多說了.

前面說了要知道具體是哪種編碼方式,需要判斷文字開頭的標誌,下面是所有編碼對應的開頭標誌

EF BB BF　　　 UTF-8
FE FF　　　　　UTF-16/UCS-2, little endian
FF FE　　　　　UTF-16/UCS-2, big endian
FF FE 00 00　　UTF-32/UCS-4, little endian.
00 00 FE FF　　UTF-32/UCS-4, big-endian.

其中的UCS就是前面說的ISO制定的標準,和Unicode是完全一樣的,只不過名字不一樣.ucs-2對應utf-16,ucs-4對應UTF-32.UTF-8是沒有對應的UCS