如何解决如果UTF-8是8位编码，为什么它需要1-4个字节？
| 在Unicode网站上写道，UTF-8可以用1-4个字节表示。据我从这个问题可以理解，https：//softwareengineering.stackexchange.com/questions/77758/why-are-there-multiple-unicode-encodings UTF-8是一种8位编码。 那么，真相是什么？ 如果是8位编码，那么ASCII和UTF-8有什么区别？ 如果不是，那么为什么将它称为UTF-8？如果它们占用相同的内存，为什么我们需要UTF-16和其他代码？解决方法
每个软件开发人员绝对，肯定必须绝对了解Unicode和字符集（无借口！）作者：Joel Spolsky-2003年10月8日，星期三
摘录自：
因此发明了UTF-8的出色概念。 UTF-8是另一个使用8位字节将Unicode代码点的字符串（那些神奇的U +数字）存储在内存中的系统。在UTF-8中，从0-127的每个代码点都存储在一个字节中。实际上，只有代码点128和更高的代码点才使用2、3（最多6个字节）存储。
这样做的好处是，英语文本在UTF-8中的外观与在ASCII中的外观完全相同，因此美国人甚至不会发现任何错误。只有世界其他地方才可以跳过障碍。具体来说，Hello，即U + 0048 U + 0065 U + 006C U + 006C U + 006F，将被存储为48 65 6C 6C 6F，这是！与存储在ASCII和ANSI中以及地球上每个OEM字符集相同。现在，如果您大胆使用重音字母，希腊字母或克林贡字母，则必须使用多个字节来存储单个代码点，但美国人永远不会注意到。 （UTF-8还具有不错的属性，即希望使用单个0字节作为空终止符的无知的旧字符串处理代码不会截断字符串）。
到目前为止，我已经告诉您三种编码Unicode的方法。传统的“两字节存储”方法称为UCS-2（因为它有两个字节）或UTF-16（因为它有16位），您仍然必须弄清楚它是否高endian UCS-2或低端UCS-2。而且，流行的新UTF-8标准具有很好的特性，如果英语文本和Braindead程序的巧合完全没有引起人们的注意，那么ASCII也可以正常工作。
实际上，还有许多其他编码Unicode的方式。有一个叫做UTF-7的东西，它很像UTF-8，但是保证高位始终为零，因此，如果您必须通过认为是7的严酷的警察状态电子邮件系统传递Unicode，足够多了，谢谢，它仍然可以毫发无损地挤过。 UCS-4具有将每个代码点存储在4个字节中的功能，它具有一个很好的特性，即每个单个代码点都可以存储在相同数量的字节中，但是，天哪，即使是德州人也不会那样做大胆地浪费那么多内存。
实际上，现在您正在考虑用Unicode代码点表示的柏拉图式理想字母来思考事物，那些unicode代码点也可以用任何老式的编码方案进行编码！例如，您可以使用ASCII编码Hello（U + 0048 U + 0065 U + 006C U + 006C U + 006F）的Unicode字符串，或者使用旧的OEM希腊编码，希伯来ANSI编码或数百种编码中的任何一种到现在为止已经发明了，只有一个问题：有些字母可能不会出现！如果您要表示的Unicode代码点中没有与之等效的代码，通常会出现一个问号：或者，如果您真的很好，那就放一个盒子。你得到了什么？ ->�
有数百种传统编码，它们只能正确存储一些代码点，而将所有其他代码点更改为问号。某些流行的英语文本编码是Windows-1252（西欧语言的Windows 9x标准）和ISO-8859-1，又名Latin-1（对任何西欧语言也有用）。但是，尝试以这些编码存储俄语或希伯来语字母，则会出现很多问号。 UTF 7、8、16和32都具有能够正确存储任何代码点的优点。
,“ 8位”编码表示编码的各个字节使用8位。相比之下，纯ASCII是7位编码，因为它只有代码点0-127。过去，该软件在8位编码方面存在问题；使用Base-64和uuencode编码的原因之一是通过未处理8位编码的电子邮件系统获取二进制数据。但是，距那已经不再是一个问题，已经过去了十年或更长时间-软件必须是8位纯净的，或者能够处理8位编码的。
Unicode本身是一个21位字符集。它有多种编码：
UTF-32，其中每个Unicode代码点均以32位整数存储
在UTF-16中，许多Unicode代码点存储在单个16位整数中，但有些需要两个16位整数（因此每个Unicode代码点需要2或4个字节）。
UTF-8中的Unicode代码点可能需要1、2、3或4个字节来存储单个Unicode代码点。
因此，“ UTF-8可以由1-4个字节表示”可能不是最合适的措辞方式。 \“ Unicode代码点可以用UTF-8中的1-4个字节表示\”会更合适。
, UTF-8是8位可变宽度编码。 Unicode中的前128个字符用UTF-8编码表示时，表示形式为ASCII字符。
为了进一步理解这一点，Unicode将字符视为代码点-可以以多种方式（编码）表示的纯数字。 UTF-8是一种这样的编码。它是最常用的，因为它在所有编码中提供了最佳的空间消耗特性。如果您以UTF-8编码存储来自ASCII字符集的字符，那么UTF-8编码的数据将占用相同的空间。这允许以前使用ASCII的应用程序无缝地移动（嗯，虽然不完全，但是肯定不会导致类似Y2K的问题）移动到Unicode，因为字符表示是相同的。
我将在RFC 3629中保留有关UTF-8编码工作原理的摘录：
Char. number range | UTF-8 octet sequence
(hexadecimal) | (binary)
--------------------+---------------------------------------------
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
版权声明：本文内容由互联网用户自发贡献，该文观点与技术仅代表作者本人。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容， 请发送邮件至 dio@foxmail.com 举报，一经查实，本站将立刻删除。