重新认识unicode跟utf8编码

重新认识unicode和utf8编码

重新认识unicode和utf8编码

---

直到今天，准确的说是刚才，我才知道UTF-8编码和Unicode编码是不一样的，是有区别的囧
他们之间是有一定的联系的，看看他们的区别：

<code>UTF-8的长度是不一定的，有可能是1、2、3字节Unicode长度一定，2个字节（USC-2）UTF-8可以和Unicode互相转换</code>

unicode和utf8的关系

---

Unicode(16进制)	UTF-8(二进制)
0000 - 007F	0xxxxxxx
0080 - 07FF	110xxxxx 10xxxxxx
0800 - FFFF	1110xxxx 10xxxxxx 10xxxxxx

上面的表格有2个意思，第一个显而易见就是说Unicode和UTF-8字符范围的对应，还有一个可以看出Unicode怎么和UTF-8互相转换：

先说UTF-8到Unicode的转换

UTF-8编码的二进制和上面的3种格式进行匹配，匹配到之后去掉固定位（表格中的非x位置），然后从右到左每8位一组，不够8位左边不领，凑够2个字节16 bits，这16 bits所表示的就是UTF-8对应的Unicode编码，看看下面几个例子：

上面图片中的文字编码格式为UTF-8，可以用WinHex看到其16进制表示

<code>字符	=> UTF-8	  => UTF-8二进制=> 去掉固定位置凑够16位的二进制 => 16进制汉 	=> E6B189 => 11100110 10110001 10001001	=> 01101100 01001001 => 6C49字 	=> E5AD97 => 11100101 10101101 10010111	=> 01011011	01010111 => 5B57#下面是在chrome命令行下面运行的结果'\u6C49'"汉"'\u5B57'"字"#到这里的话，从UTF-8转换到Unicode已经是一件非常容易的事了，看看转换的伪代码读取一个字节，11100110判断该UTF-8字符的格式，属于第三种，3个字节继续读取2个字节得到 11100101 10101101 10010111按照格式去掉固定位     1011011 01010111不够16位，左边补零    01011011 01010111  => 5B57</code>

再看看从Unicode到UTF-8的转换

<code>5B57获取5B57所在的Unicode范围，0800 </code>

说说问题

---

再说说今天这个问题的起因，从前端输入很多单词，UTF-8格式每个词最多30个字节，因此会在前端和后台分别做验证，javascript用的是Unicode编码，后端程序用的是UTF-8编码，现在的解决办法是这样

前端

<code>function utf8_bytes(str){	var len = 0, unicode;	for(var i = 0; i </code>

后台

<code>#对于GBK字符串$len = ceil(strlen(bin2hex(iconv('GBK', 'UTF-8', $word)))/2);#对于UTF8字符串$len = ceil(strlen(bin2hex($word))/2);</code>

5/21/2015 8:21:53 PM

本文版权归作者iforever(luluyrt＠163.com)所有，未经作者本人同意禁止任何形式的转载，转载文章之后必须在文章页面明显位置给出作者和原文连接，否则保留追究法律责任的权利。

4楼清香白莲素还真

Unicode是字符集，定义每个字符对应的数字。，UTF-8、UTF-16等是编码格式，定义“字符对应的数字”如何以二进制的方式存储。

Re: 奔跑的Man

@清香白莲素还真，我觉得这样说更好点：，Uincode定义每个数字（0x0000~0xFFFF）对应的字符,，UTF-8是定义字符对应的数字（不是所有的数字都有对应的字符），，完了之后他们之间有个映射关系

3楼穆恩

第一段有错别字

Re: 奔跑的Man

@穆恩，已改，太粗心了，这里检讨下，谢谢提醒

2楼小丸

博主所说的Unicode其实是utf-16

1楼upfriend

以前也没怎么注意这个问题，因为一般情况下我都让前后端编码统一，不过博主分析的挺好，赞！