51Testing软件测试论坛

标题: 什么是UTF8 [打印本页]

作者: Kingson 时间: 2007-11-22 17:51
标题: 什么是UTF8
UTF8并不算是一种电脑编码，而是一种储存和传送的格式，如前所述，每个Unicode/UCS字符都以 2或4个bytes来储存，看看以下的比较：

　　以"I am Chinese"为例
　　　用ANSI储存：12 Bytes
　　　用Unicode/UCS2储存：24 Bytes + 2 Bytes(header)
　　　用UCS4储存：48 Bytes + 4 Bytes(header)

　　以"我是中国人"为例
　　　用ANSI储存：10 Bytes
　　　用Unicode/UCS2储存：10 Bytes + 2 Bytes(header)
　　　用UCS4储存：20 Bytes + 4 Bytes(header)

　　由此可见直接以Unicode/UCS的原始形式来储存是一种极大的浪费，而且也不利于互联网的传输(中文稍为合算一点^_^)。

　　有见及此，Unicode/UCS的压缩形式－－UTF8出现了，套用官方网站的首句话『UTF-8 stands for Unicode Transformation Format-8. It is an octet (8-bit) lossless encoding of Unicode characters.』，由于UTF也适用于编码UCS，故亦可称为『UCS transformation formats (UTF)』

　　UTF8是以8bits即1Bytes为编码的最基本单位，当然也可以有基于16bits和32bits的形式，分别称为UTF16和UTF32，但目前用得不多，而UTF8则被广泛应用在文件储存和网络传输中。

编码原理

先看这个模板：

UCS-4 range (hex.) UTF-8 octet sequence (binary)
0000 0000-0000 007F 0xxxxxxx
0000 0080-0000 07FF 110xxxxx 10xxxxxx
0000 0800-0000 FFFF 1110xxxx 10xxxxxx 10xxxxxx

0001 0000-001F FFFF 11110xxx 10xxxxxx 10xxxxxx 10xxxxxx
0020 0000-03FF FFFF 111110xx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx
0400 0000-7FFF FFFF 1111110x 10xxxxxx ... 10xxxxxx

编码步骤：
1) 首先确定需要多少个8bits(octets)
2) 按照上述模板填充每个octets的高位bits
3) 把字符的bits填充至x中，字符顺序：低位→高位，UTF8顺序：最后一个octet的最末位x→第一个octet最高位x
4) 解码的原理一样。

实例：(留意每个bit的颜色，粗体字为模板内容)

UCS-4 UTF-8
HEX BIN Bytes BIN HEX Bytes
0000 000A 00001010 4 00001010 0A 1
0000 0099 10011001 4 11000010 10011001 C2 99 2
0000 8D99 10001101 10011001 4 11101000 10110110 10011001 E8 B6 99 3

　　不知大家看懂了没有，其实不懂也无所谓，反正又不用自己算，程式可以完全代劳。

　　以UTF8格式储存的文件档首标识为EF BB BF。

效率

　　从上述编码原理中得出的结论是：
　　　1.每个英文字母、数字所占的空间为1 Byte；
　　　2.泛欧语系、斯拉夫语字母占2 Bytes；
　　　3.汉字占3 Bytes。

　　由此可见UTF8对英文来说是个非常诱人的方案，但对中文来说则不太合算，无论用ANSI还是 Unicode/UCS2来编码都只用2 Bytes，但用UTF8则需要3 Bytes。

　　以下是一些统计资料，显示用UTF8来储存文件每个字符所需的平均字节：
　　　1.拉丁语系平均用1.1 Bytes；
　　　2.希腊文、俄文、阿拉伯文和希伯莱文平均用1.7 Bytes；
　　　3.其他大部份文字如中文、日文、韩文、Hindi(北印度语)用约3 Bytes；
　　　4.用超过4 Bytes的都是些非常少用的文字符号。

[ 本帖最后由 Kingson 于 2007-11-22 17:55 编辑 ]

作者: meimei2008aoyun 时间: 2008-7-8 18:57
好，顶一个先。

作者: quiteria.liu 时间: 2008-7-18 16:26
看不懂呢

作者: Valve 时间: 2008-8-1 09:29
好贴。。。。谢了。。楼主。。

正想了解这方面的知识呢。。

作者: Daria 时间: 2008-8-12 13:31
Thanks a lot

作者: lesterfisher 时间: 2008-9-8 18:26
很不错的知识文档，其实在国际化和本地化测试中，经常会与这些概念打交道

作者: kismania 时间: 2008-11-2 16:51
真不错

作者: koteizxq 时间: 2008-11-25 14:57
意思明白，但那个例子要再研究一下。

作者: baijing.800 时间: 2008-12-2 08:52
好，正在关注这方面知识，非常受用，谢谢！！！

作者: wneeeef 时间: 2009-1-7 16:53
长知识啦～～。谢谢LZ

作者: xmm 时间: 2009-2-6 14:48
很好啊，学习了

作者: mwb9709 时间: 2009-2-16 17:03
楼主真像好人。

作者: jenvee 时间: 2009-2-18 17:13
标题: yun
xuexi

作者: luwei 时间: 2009-3-4 17:50
受教了。。。

作者: hikaru1232 时间: 2009-4-17 12:47
长知识了

作者: jennyxu_17 时间: 2009-4-22 18:06
Thanks.

作者: joke9537 时间: 2009-12-28 11:55
好贴。。。。谢了。。楼主。。

正想了解这方面的知识

作者: nanmu 时间: 2010-1-11 12:01
3qheihei

作者: francais 时间: 2010-1-15 10:57
谢谢

作者: rodman 时间: 2010-3-3 15:24
我以前做本地化时见过7中印度文字，吐了。。。。

作者: robertoji 时间: 2010-3-4 13:21
了解一点！

作者: 楠族开心果 时间: 2010-7-23 12:59
[编辑本段]概述
　　UTF8并不算是一种电脑编码，而是一种储存和传送的格式，如前所述，每个Unicode/UCS字符都以 2或4个bytes来储存，看看以下的比较：　　以"I am Chinese"为例　　用ANSI储存：12 Bytes 　　用Unicode/UCS2储存：24 Bytes + 2 Bytes(header) 　　用UCS4储存：48 Bytes + 4 Bytes(header) 　　以"我是中国人"为例　　用ANSI储存：10 Bytes 　　用Unicode/UCS2储存：10 Bytes + 2 Bytes(header) 　　用UCS4储存：20 Bytes + 4 Bytes(header) 　　由此可见直接以Unicode/UCS的原始形式来储存是一种极大的浪费，而且也不利于互联网的传输(中文稍为合算一点^_^)。　　有见及此，Unicode/UCS的压缩形式－－UTF8出现了，套用官方网站的首句话『UTF-8 stands for Unicode Transformation Format-8. It is an octet (8-bit) lossless encoding of Unicode characters.』，由于UTF也适用于编码UCS，故亦可称为『UCS transformation formats (UTF)』　　UTF8是以8bits即1Bytes为编码的最基本单位，当然也可以有基于16bits和32bits的形式，分别称为UTF16和UTF32，但目前用得不多，而UTF8则被广泛应用在文件储存和网络传输中。
[编辑本段]编码原理
　　先看这个模板：　　UCS-4 range (hex.) UTF-8 octet sequence (binary) 　　0000 0000-0000 007F 0xxxxxxx 　　0000 0080-0000 07FF 110xxxxx 10xxxxxx 　　0000 0800-0000 FFFF 1110xxxx 10xxxxxx 10xxxxxx 　　0001 0000-001F FFFF 11110xxx 10xxxxxx 10xxxxxx 10xxxxxx 　　0020 0000-03FF FFFF 111110xx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx 　　0400 0000-7FFF FFFF 1111110x 10xxxxxx ... 10xxxxxx
[编辑本段]编码步骤：
　　1) 首先确定需要多少个8bits(octets) 　　2) 按照上述模板填充每个octets的高位bits 　　3) 把字符的bits填充至x中，字符顺序：低位→高位，UTF8顺序：最后一个octet的最末位x→第一个octet最高位x 　　4) 解码的原理一样。　　实例：(留意每个bit的颜色，粗体字为模板内容) 　　UCS-4 UTF-8 　　HEX BIN Bytes BIN HEX Bytes 　　0000 000A 00001010 4 00001010 0A 1 　　0000 0099 10011001 4 11000010 10011001 C2 99 2 　　0000 8D99 10001101 10011001 4 11101000 10110110 10011001 E8 B6 99 3 　　不知大家看懂了没有，其实不懂也无所谓，反正又不用自己算，程式可以完全代劳。　　以UTF8格式储存的文件档首标识为EF BB BF。
[编辑本段]效率
　　从上述编码原理中得出的结论是：　　1.每个英文字母、数字所占的空间为1 Byte；　　2.泛欧语系、斯拉夫语字母占2 Bytes；　　3.汉字占3 Bytes。　　由此可见UTF8对英文来说是个非常诱人的方案，但对中文来说则不太合算，无论用ANSI还是 Unicode/UCS2来编码都只用2 Bytes，但用UTF8则需要3 Bytes。　　以下是一些统计资料，显示用UTF8来储存文件每个字符所需的平均字节：　　1.拉丁语系平均用1.1 Bytes；　　2.希腊文、俄文、阿拉伯文和希伯莱文平均用1.7 Bytes；　　3.其他大部份文字如中文、日文、韩文、Hindi(北印度语)用约3 Bytes；　　4.用超过4 Bytes的都是些非常少用的文字符号。

欢迎光临 51Testing软件测试论坛 (http://bbs.51testing.com/)