查看原文
其他

Unicode UTF-8 UTF-16 UTF-32的关系

strongerHuang 嵌入式专栏 2022-05-20

关注+星标公众,不错过精彩内容

编排 | strongerHuang

微信公众号 | 嵌入式专栏


Unicode,又称统一码、万国码、单一码,是计算机科学领域里的一项业界标准,包括字符集、编码方案等。

嵌入式专栏

1

Unicode产生的背景


1.为何要有Unicode?

ASCII编码使用 8bit (b0-b7)中的最高位b7位作为奇偶校验位,用来保障传输的可靠性,所以ASCII一共定义了2^7=128个字符集合。

所谓奇偶校验,是指在代码传送过程中用来检验是否出现错误的一种方法,一般分奇校验和偶校验两种。奇校验规定:正确的代码一个字节中1的个数必须是奇数,若非奇数,则在最高位b7添0;偶校验规定:正确的代码一个字节中1的个数必须是偶数,若非偶数,则在最高位b7添1)


2.ASCII编码的问题

ASCII编码是美国制定的编码标准,它可以代表英文中的字符集合,但用来表示其他语言 如汉语、法语等是不够用的。中国为了让计算机识别汉语,制定了GB2312编码规范,使用两个字节代表一个汉字,支持65536个汉字。


这样发展的趋势是每个国家或地区制定自己语言的计算机字符编码,导致混乱不堪。


3.Unicode产生

Unicode 正是解决这个问题而诞生的,它对世界上绝大部分的文字的进行整理和统一编码。


事实上,历史上存在两个独立的尝试创立单一字符集的组织,即国际标准化组织(ISO)和多语言软件制造商组成的统一码联盟。前者开发的 ISO/IEC 10646 项目,后者开发的统一码项目。因此最初制定了不同的标准。


1991年前后,两个项目的参与者都认识到,世界不需要两个不兼容的字符集。于是,它们开始合并双方的工作成果,并为创立一个单一编码表而协同工作。从Unicode 2.0开始,Unicode采用了与ISO 10646-1相同的字库和字码;ISO也承诺,ISO 10646将不会替超出U+10FFFF的UCS-4编码赋值,以使得两者保持一致。


两个项目仍都存在,并独立地公布各自的标准。但统一码联盟和ISO/IEC JTC1/SC2都同意保持两者标准的码表兼容,并紧密地共同调整任何未来的扩展。


在发布的时候,Unicode一般都会采用有关字码最常见的字型,但ISO 10646一般都尽可能采用Century字型。

---来自百度百科


嵌入式专栏

2

Unicode的编码方式


Unicode的编码空间可以划分为17个平面(plane),每个平面包含2的16次方(65536)个码位。


17个平面的码位可表示为从U+0000到U+10FFFF,共计1114112个码位,第一个平面称为基本多语言平面(Basic Multilingual Plane, BMP),或称第零平面(Plane 0)。其他平面称为辅助平面(Supplementary Planes)。

基本多语言平面内,从U+D800到U+DFFF之间的码位区段是永久保留不映射到Unicode字符,所以有效码位为1112064个。


为何要定义平面?为何划分基平面和辅助平面?基平面为何会有保留区段?


嵌入式专栏

3

计算机实现


Unicode是一种编码方式,基于Unicode编码的计算机实现是有多种的。不同的实现方式其实是对Unicode的存储方式存在着差异,计算机实现Unicode可以认为是对Unicode的存储编码。

在这里我们已经进行了两次编码转换了,Unicode本身是字符对应数字的编码方案,而Unicode的计算机实现是Unicode对应的计算机存储编码方案。


为什么对计算机实现还要对Unicode做一次编码?


下面我们通过介绍不同的Unicode计算机实现方案来讨论一下这个问题。


我们应当知道,生活中的字符出现的概率是不一样的。例如,生活中我们常常使用 “你好” “早”等词汇,但是“耄耋” “饕餮”等这些字符我们很少用到。


基于以上的事实,如果我们把 “你好” “早”等这些高概率出现的字符使用较短的存储编码,而那些很少用到的字符使用较长的存储编码,

定义:假设有n个字符c1.....cn,每个字符出现的概率为p(n),每个字符的存储空间为s1.....sn,那么,字符平均存储空间计算公式:T = p(1)*s1+......p(n)*sn


下面我们分别计算一下不同编码实现方案的字符平均存储空间。


1.UTF-32

最容易想到的,也是最简单的计算机实现就是用四个字节(32bit)对Unicode编码字符进行存储,这就是UTF-32。UTF-32是最简单的程序实现方案(无需转换,与Unicode编码一一对应)。

好处:无需转换,速度快

坏处:浪费存储空间

T = 32bit


2.UTF-8

UTF-8是一种变长编码,对于一个Unicode的字符被编码成1至4个字节。Unicode编码与UTF-8的编码的对应关系:

Unicode编码UTF-8编码(二进制)
U+0000 – U+007F0xxxxxxx
U+0080 – U+07FF110xxxxx 10xxxxxx
U+0800 – U+FFFF1110xxxx 10xxxxxx 10xxxxxx
U+10000 – U+10FFFF11110xxx 10xxxxxx 10xxxxxx 10xxxxxx


一个字节的uft8表示的unicode 码范围为(0 ~0x7F)


两个字节长度的uft8 表示的unicode码范围为(0x80 ~ 0x07FF)


三个字节长度的uft8 表示的unicode码范围为(0x0800 ~ 0xFFFF)


四个字节长度的uft8 表示的unicode码范围为( 0x10000 ~ 0x10FFFF)


这样编码感觉复杂度变高了很多啊,但是,好处在于节省了存储空间,另外,兼容了旧的ASCII编码。


3.UTF-16

UTF-16也是一种变长编码,对于一个Unicode字符被编码成1至2个码元,每个码元为16位。


基本多语言平面(码位范围U+0000-U+FFFF)在基本多语言平面内的码位UTF-16编码使用1个码元且其值与Unicode是相等的(不需要转换)。举例如下:

Unicode字符UTF-16(码元)UTF-16 LE(字节)UTF-16 BE(字节)U+0041A0x00410x41 0x000x00 0x41U+7834破0x78340x34 0x780x78 0x34U+6653晓0x66530x53 0x660x66 0x53


辅助平面(码位范围U+10000-U+10FFFF)在辅助平面内的码位在UTF-16中被编码为一对16bit的码元(即32bit,4字节),称作代理对(surrogate pair)。组成代理对的两个码元前一个称为前导代理(lead surrogates)范围为0xD800-0xDBFF,后一个称为后尾代理(trail surrogates)范围为0xDC00-0xDFFF。


具体的转换过程为:

  1. 首先将unicode码表 - 0x10000 , 这样得到的辅助平面的码表范围为(U+0000 - U+FFFFF) ,总共最多20bit

  2. 将20bit ,分为high 10bit 与 low 10bit。high 1bit | 0xD800 得到前导代理, low 10bit | 0xDC00 得到后尾代理

从这里也可以理解为什么 在基本多语言平面中, (U+D800  ~ U+DFFF ) 要作为保留字符了

UTF-16既保留了解析速度,同时也比较节省存储空间。这个是UTF-8和UTF-32两者优点的结合。

来源地址:https://juejin.im/post/6844903890488410120

------------ END ------------


后台回复『嵌入式软件基础知识』阅读更多相关文章。

关注微信公众号『嵌入式专栏』,底部菜单查看更多内容,回复“加群”按规则加入技术交流群。


点击“阅读原文”查看更多分享,欢迎点分享、收藏、点赞、在看

您可能也对以下帖子感兴趣

文章有问题?点此查看未经处理的缓存