[以下只是个人的总结,如若有误,恳请指正,谢谢!]
下列字节串用来表示一个字符. 用到哪个串取决于该字符在 Unicode 中的序号.
| U+00000000 - U+0000007F: |
0 xxxxxxx |
0x - 7x |
|
| U+00000080 - U+000007FF: |
110 xxxxx 10 xxxxxx |
Cx 8x - Dx Bx |
|
| U+00000800 - U+0000FFFF: |
1110 xxxx 10 xxxxxx 10 xxxxxx |
Ex 8x 8x - Ex Bx Bx |
|
| U+00010000 - U+001FFFFF: |
11110 xxx 10 xxxxxx 10 xxxxxx 10 xxxxxx |
F0 8x 8x 8x - F7 Bx Bx Bx |
很少用 |
| U+00200000 - U+03FFFFFF: |
111110 xx 10 xxxxxx 10 xxxxxx 10 xxxxxx 10 xxxxxx |
F8 8x 8x 8x 8x - FB Bx Bx Bx Bx |
| U+04000000 - U+7FFFFFFF: |
1111110 x 10 xxxxxx 10 xxxxxx 10 xxxxxx 10 xxxxxx 10 xxxxxx |
FC 8x 8x 8x 8x 8x - FD Bx Bx Bx Bx Bx |
* FE FF从未在编码中出现过.
* 除第一个字节外,其余字节都在
0x80 到 0xBF范围内,每个字符的起始位置用0xC0-0xD0,0xE0,0xF0等可以确定(验证前四位或八位),不在这一范围的即为单字节字符.凡是以0x80 到 0xBF开头的都是后继字节,计数时都要跳过.
* Unicode是一种编码表,只将字符指定给某一数字(Unicode做得还要更多一些,比如提供比较及显示等很多算法等等);
而UTF-8是编码方式,是定义如何表示并存储指定编码的格式.
* UTF-8编码转换为Unicode编码: 将所有标志位去除,剩余位数若不足则在高位补零,凑足32位即可.
* Unicode编码转换为UTF-8编码: 从低位开始,每取6位补两个位10,不足6位(不算高位的0)则按字节长度补相应的字符标志位0、110、1110等