程序/网页中的几种常见字符编码格式

~~~

最最常见是应该是UTF-8这种格式了;

UTF-8 #

Unicode只是一个符号集,它只规定了符号的二进制代码,却没有规定这个二进制代码应该如何存储

UTF-8就是在互联网上使用最广的一种Unicode的实现方式

UTF-8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

1 UTF-8的编码规则 #

  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.
  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

2 unicode转utf8 #

Unicode符号范围 UTF-8编码方式
十进制 十六进制 二进制
0-127 0000 0000-0000 007F 0xxxxxxx
128-2047 0000 0080-0000 07FF 110xxxxx 10xxxxxx
2048-65535 0000 0800-0000 FFFF 1110xxxx 10xxxxxx 10xxxxxx
65536-1114111 0001 0000-0010 FFFF 11110xxx 10xxxxxx 10xxxxxx 10xxxxxx

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

3 unicode转utf8 #

//11100100 10111000 10100101
console.log(parseInt('11100100',2).toString(16),
parseInt('10111000',2).toString(16),
parseInt('10100101',2).toString(16));
//e4 b8 a5

1. ASCII码 #

每一个二进制位(bit)有0和1两种状态,因此八个二进制位就可以组合出256种状态,这被称为一个字节(byte)

每一个状态对应一个符号,就是256个符号,从0000000到11111111

上个世纪60年代,美国制定了一套字符编码,对英语字符与二进制位之间的关系,做了统一规定。这被称为ASCII码

ASCII码一共规定了128个字符的编码,比如空格是32(二进制00100000),大写的字母A是65(二进制01000001)。这128个符号(包括32个不能打印出来的控制符号),只占用了一个字节的后面7位,最前面的1位统一规定为0

2. Unicode #

世界上存在着多种编码方式,同一个二进制数字可以被解释成不同的符号

因此,要想打开一个文本文件,就必须知道它的编码方式,否则用错误的编码方式解读,就会出现乱码

有一种编码,将世界上所有的符号都纳入其中。每一个符号都给予一个独一无二的编码,那么乱码问题就会消失。这就是Unicode,就像它的名字都表示的,这是一种所有符号的编码

Unicode当然是一个很大的集合,现在的规模可以容纳100多万个符号

.引伸阅读 #

~~~~

未经允许不得转载:WEB前端开发 » 程序/网页中的几种常见字符编码格式

赞 (0)