Java基础语法-UnicodeUTF-8UTF-16

Posted 2021-01-22 yanquebbuyan

1.Unicode(统一码、万国码)，从名字里可以看出，unicode码表囊括世界上各国语言文字。 unidode中包含17个代码级别，第一个代码级别又称作基本的多语言级别（码点从U+0000到U+FFFF），
其余16个代码级别（码点从U+10000到U+10FFFF）包含一些辅助字符。这里说一下码点的概念：编码表中的某个字符对应的代码值。如汉字“我”在unicode中对应的码点为U+6211（在unicode3.0之前采用U+xxxx表示一个码点在Unicode3.0中采用U-xxxx xxxx表示一个码点），而unicode只是对字符的一种数字描述，并没有给出这些字符在计算机中应该以多少字节存储。

2.UTF-8是对unicode在计算机上的储存方式的实现，unicode码值

在0000 0000到0000 007F之间规定为一个字节储存，二进制格式为0xxxxxxx，

在0000 0080到000007FF之间规定为两个字节储存，二进制格式为110xxxxx 10xxxxxx，

在0000 0800到0000 FFFF之间规定为三个字节储存，二进制格式为1110xxxx 10xxxxxx 10xxxxxx

在0001 0000到0010 FFFF之间规定为四个字节储存，二进制格式为11110xxx 10xxxxxx 10xxxxxx 10xxxxxx

一字节的表示范围为0到127即2的7次方，两个字节的表示范围128到2047即2的11次方。三个 字节的表示范围为2048到65535即2的16次方，n字节表示范围为2的（x的个数）的次方

3.下面是unicode码对UTF-8的转换，举个例子：

汉子中的“我”的unicode码为6211，其对应的二进制为 ?01100010 00010001

在0000 0800到0000 FFFF区间内，所以汉子“我”在UTF-8中为3个字节，三个字节在UTF-8中的格式为1110xxxx 10xxxxxx 10x
 xxxxx,从右到左填充为 1110(0110) 10(001000) 10(010001)转换为十六进制为E68891,

括号里的二进制码从左到右读为6211的二进制码。

4。UTF-16

UTF-16：对任何一个字符都用两个字节储存。

UTF-16基于第一个代码级别，每个字符用16位表示（即两个字节四个十六进制数）通常称为代码单元。基于其他16个级别采用一对连续的代码单元进行编码，这样构成的编码值落入基本多语言级别中空闲的2048代码单元内，

称为替代区域[U+D800到U+DBFF用作第一代码单元,U+DC00到U+DFFF用作第二代码单元](1_048_576)(可表示2的20次方个字符)。

 

 

可以看出，当文本中英文居多时，采用UTF-8能够高效的利用计算机的储存空间，而文本以韩文中文居多时，UTF-16会比较适合。