转载

Unicode and UTF-8

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:

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

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「 博 」字深入说明一下:

Unicode and UTF-8

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:

<?php  $string = "博";  for ($i = 0; $i < strlen($string); $i++) {     echo dechex(ord($string[$i])); }  ?>

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);' 111001011000110110011010

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「111XXXXX 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「00101001101011010」,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("00101001101011010", 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时成立,一旦大于两个字节,就不成立了,对应的例子可以参照「 �� 」字。

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

正文到此结束
Loading...