本文格式為Word版，下載可任意編輯——談?wù)刾hp中的unicode和utf8編碼談?wù)刾hp中的unicode和utf8編碼

本文給大家深入議論了unicode和utf8這兩種編碼的關(guān)系，理解好了會察覺網(wǎng)上一些舊的東西，是嚴(yán)重多余兼過期的，由于從utf-8流行開頭到現(xiàn)在，早已經(jīng)由原來六字節(jié)可變編碼到實(shí)際完全居于unicodeUCS-2的穩(wěn)定階段。

重新熟悉unicode和utf8編碼

直到今天，切實(shí)的說是方才，我才知道UTF-8編碼和Unicode編碼是不一樣的，是有識別的囧

他們之間是有確定的聯(lián)系的，看看他們的識別：

UTF-8的長度是不確定的，有可能是1、2、3字節(jié)

Unicode長度確定，2個字節(jié)（USC-2）

UTF-8可以和Unicode彼此轉(zhuǎn)換

unicode和utf8的關(guān)系

Unicode16進(jìn)制

UTF-8二進(jìn)制

0000-007F0xxxxxxx

0080-07FF110xxxxx10xxxxxx

0800-FFFF1110xxxx10xxxxxx10xxxxxx

上面的表格有2個意思，第一個顯而易見就是說Unicode和UTF-8字符范圍的對應(yīng)，還有一個可以看出Unicode怎么和UTF-8彼此轉(zhuǎn)換：

先說UTF-8到Unicode的轉(zhuǎn)換

UTF-8編碼的二進(jìn)制和上面的3種格式舉行匹配，匹配到之后去掉固定位（表格中的非x位置），然后從右到左每8位一組，不夠8位左邊不領(lǐng)，湊夠2個字節(jié)16bits，這16bits所表示的就是UTF-8對應(yīng)的Unicode編碼，看看下面幾個例子：

上面圖片中的文字編碼格式為UTF-8，可以用WinHex看到其16進(jìn)制表示

復(fù)制代碼代碼如下:

字符=UTF-8=UTF-8二進(jìn)制=去掉固定位置湊夠16位的二進(jìn)制=16進(jìn)制

漢=E6B189=111001101011000110001001=0110110001001001=6C49

字=E5AD97=111001011010110110010111=0101101101010111=5B57

#下面是在chrome命令行下面運(yùn)行的結(jié)果

\u6C49

漢

\u5B57

字

#到這里的'話，從UTF-8轉(zhuǎn)換到Unicode已經(jīng)是一件分外輕易的事了，看看轉(zhuǎn)換的偽代碼

讀取一個字節(jié)，11100110

判斷該UTF-8字符的格式，屬于第三種，3個字節(jié)

持續(xù)讀取2個字節(jié)得到111001011010110110010111

按照格式去掉固定位101101101010111

不夠16位，左邊補(bǔ)零0101101101010111=5B57

再看看從Unicode到UTF-8的轉(zhuǎn)換

復(fù)制代碼代碼如下:

5B57

獲取5B57所在的Unicode范圍，0800=5B57=FFFF，得知5B57的UTF-8有三個字節(jié)，形式為1110xxxx10xxxxxx10xxxxxx

獲取5B57的二進(jìn)制編碼101101101010111

用上一步驟的二進(jìn)制編碼從右至左拼接UTF-8編碼111001011010110110010111

說說問題

再說說今天這個問題的起因，從前端輸入好多單詞，UTF-8格式每個詞最多30個字節(jié)，因此會在前端和后臺分別做驗(yàn)證，javascript用的是Unicode編碼，后端程序用的是UTF-8編碼，現(xiàn)在的解決手段是這樣

前端

?

1

2

3

4

談?wù)刾hp中的unicode和utf8編碼

5

6

7

8

9

10

11

12

13

14

15

16

17

18

19

20

21

22

23

24

functionutf8_bytesstr

varlen=0,unicode;

forvari=0;istr.length;i++

unicode=str.charCodeAti;

ifunicode0x0080

++len;

elseifunicode0x0800

len+=2;

elseifunicode=0xFFFF

len+=3;

else

throwcharactersmustbeUSC-2!!

returnlen;

#例子

utf8_bytesasdasdas

8

utf8_bytesyrt燕睿濤

12

后臺

?

1

2

3

4

#對于GBK字符串

$len=ceils