UTF-8

UTF-8，是UNICODE的一種變長字符編碼，由Ken Thompson于1992年創(chuàng)建。現(xiàn)在已經(jīng)標(biāo)準(zhǔn)化為RFC 3629。UTF-8用1到6個(gè)字節(jié)編碼 UNICODE字符。如果UNICODE字符由2個(gè)字節(jié)表示，則編碼成UTF-8很可能需要3個(gè)字節(jié)，而如果UNICODE字符由4個(gè)字節(jié)表示，則編碼成 UTF-8可能需要6個(gè)字節(jié)。用4個(gè)或6個(gè)字節(jié)去編碼一個(gè)UNICODE字符可能太多了，但很少會(huì)遇到那樣的UNICODE字符。

目錄

• 1 UTF-8轉(zhuǎn)換表
• 2 UTF-8的優(yōu)缺點(diǎn)
• 3 相關(guān)條目
• 4 參考來源

UTF-8轉(zhuǎn)換表

UNICODE    UTF-8 
00000000 - 0000007F 0xxxxxxx 
00000080 - 000007FF 110xxxxx 10xxxxxx 
00000800 - 0000FFFF 1110xxxx 10xxxxxx 10xxxxxx 
00010000 - 001FFFFF 11110xxx 10xxxxxx 10xxxxxx 10xxxxxx 
00200000 - 03FFFFFF 111110xx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx 
04000000 - 7FFFFFFF 1111110x 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx

實(shí)際表示ASCII字符的UNICODE字符，將會(huì)編碼成1個(gè)字節(jié)，并且UTF-8表示與ASCII字符表示是一樣的。所有其他的UNCODE字符轉(zhuǎn)化成 UTF-8將需要至少2個(gè)字節(jié)。每個(gè)字節(jié)由一個(gè)換碼序列開始。第一個(gè)字節(jié)由唯一的換碼序列，由n位1加一位0組成。n位1表示字符編碼所需的字節(jié)數(shù)。

UTF-8的優(yōu)缺點(diǎn)

• UTF-8編碼的優(yōu)點(diǎn)：

UTF-8編碼可以通過屏蔽位和移位操作快速讀寫。

字符串比較時(shí)strcmp()和wcscmp()的返回結(jié)果相同，因此使排序變得更加容易。

字節(jié)FF和FE在UTF-8編碼中永遠(yuǎn)不會(huì)出現(xiàn)，因此他們可以用來表明UTF-16或UTF-32文本（見BOM）

UTF-8 是字節(jié)順序無關(guān)的。它的字節(jié)順序在所有系統(tǒng)中都是一樣的，因此它實(shí)際上并不需要BOM。

• UTF-8編碼的缺點(diǎn)：

你無法從UNICODE字符數(shù)判斷出UTF-8文本的字節(jié)數(shù)，因?yàn)閁TF-8是一種變長編碼

它需要用2個(gè)字節(jié)編碼那些用擴(kuò)展ASCII字符集只需1個(gè)字節(jié)的字符

ISO Latin-1 是UNICODE的子集，但不是UTF-8的子集

8位字符的UTF-8編碼會(huì)被email網(wǎng)關(guān)過濾，因?yàn)?a href="/wiki/Internet" class="mw-redirect" title="Internet">internet信息最初設(shè)計(jì)為7為ASCII碼。因此產(chǎn)生了UTF-7編碼。

UTF-8 在它的表示中使用值100xxxxx的幾率超過50%， 而現(xiàn)存的實(shí)現(xiàn)如ISO 2022， 4873， 6429， 和8859系統(tǒng)，會(huì)把它錯(cuò)認(rèn)為是C1 控制碼。因此產(chǎn)生了UTF-7.5編碼。

相關(guān)條目

• GBK
• ASCII
• BIG5
• Unicode

參考來源

• 參考來源

U