Unicode和UTF-8转换方法的理解

    下面是关于Unicode和UTF-8之间转换方法的引用。

写道

互联网的普及，强烈要求出现一种统一的编码方式。UTF-8就是在互联网上使用最广的一种unicode的实现方式。其他实现方式还包括UTF-16和UTF-32，不过在互联网上基本不用。重复一遍，这里的关系是，UTF-8是Unicode的实现方式之一。
UTF-8最大的一个特点，就是它是一种变长的编码方式。它可以使用1~4个字节表示一个符号，根据不同的符号而变化字节长度。
UTF-8的编码规则很简单，只有二条：
1）对于单字节的符号，字节的第一位设为0，后面7位为这个符号的unicode码。因此对于英语字母，UTF-8编码和ASCII码是相同的。
2）对于n字节的符号（n>1），第一个字节的前n位都设为1，第n+1位设为0，后面字节的前两位一律设为10。剩下的没有提及的二进制位，全部为这个符号的unicode码。
下表总结了编码规则，字母x表示可用编码的位。
Unicode符号范围 | UTF-8编码方式
(十六进制) | （二进制）
--------------------+---------------------------------------------
0000 0000-0000 007F | 0xxxxxxx
0000 0080-0000 07FF | 110xxxxx 10xxxxxx
0000 0800-0000 FFFF | 1110xxxx 10xxxxxx 10xxxxxx
0001 0000-0010 FFFF | 11110xxx 10xxxxxx 10xxxxxx 10xxxxxx
下面，还是以汉字“严”为例，演示如何实现UTF-8编码。
已知“严”的unicode是4E25（100111000100101），根据上表，可以发现4E25处在第三行的范围内（0000 0800-0000 FFFF），因此“严”的UTF-8编码需要三个字节，即格式是“1110xxxx 10xxxxxx 10xxxxxx”。然后，从“严”的最后一个二进制位开始，依次从后向前填入格式中的x，多出的位补0。这样就得到了，“严”的UTF-8编码是“11100100 10111000 10100101”，转换成十六进制就是E4B8A5。

 

   开始看例子的时候，并不理解为什么4E25处在第三行的位置。因为把“0000 0080-0000 07FF”这个给弄拧了，没有看懂这个表示的意思。这是一个范围的表示，意思是当Unicode编码的值在“0000 0008”到“0000 FFFF”之间的时候，采用第三行的编码。4E25显然在这个范围中；这是正确的理解。

    当时我并没有理解，于是进行了反推。将4E25表示成二进制数，即“0100 1110 0010 0101”。它有十六位，与此同时，第三行的可变的二进制位，也恰好是16个。看来问题就在这里， Unicode的表示范围和表示成二进制后的UTF-8编码的可变长度是相匹配的。比如，对于“0000 0000”到“0000 007F”范围的Unicode，最多只有7个有效二进制位，所以加上一个标识符，刚好可以在一个字节中进行表示；而对于第三行的UTF-8编码，它能容纳的可变二进制位是16个，所以能表示的最大Unicode码是“0000 FFFF”。

    按照这个规则，当然可以一直表示下去，但是对于一个字符，最多4个字节就可以了，所以没有必要继续扩展了。