| layout | title | |
|---|---|---|
default |
|
#编码问题
##ASCII码
- 最开始出现的编码
- 8位2进制，一个字节，共可以有256种状态
- ASCII码规定了128个字符编码，统一的第一位为0
英语一个字节就够了 但是中文就需要两个字节，常用的GB2312
但是就算使用两个字节表示一个汉字，也就是60000多的情况
##unicode unicode应运而生
范围很大，可以容纳100多万
每个字符的编码都不一样
只规定了二进制代码，并没有规定如何存储
- 无法区别是几个符号
- 如果统一规定了4个符号的话，会造成浪费
##UTF-8 这是Unicode的实现方式之一
变长的编码方式，可以使用1~4个字节表示一个符号
使用了下面的编码规则就可以区分并且分别是几个符号
- 对于单字节符号，字节第一位为0，后7位为unicode码，因而对于英文字母，UTF-8与ASCII相同
- 对于n字节，第一个字节的前n位都是1，第n+1为0，后面字节的前两位一律为10，剩下的没有提及的位，则为这个符号的unicode码。
Unicode符号范围 | UTF-8编码方式
(十六进制) | （二进制）
--------------------+---------------------------------------------
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
例如严字
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。
todo:配合正则那里的再看一下
参考自阮一峰的编码规则