UTF-8 - ASCII 兼容的多字節
Unicode 編碼
描述
The Unicode
字符集使用的是 16
位（雙字節）碼。最普遍的
Unicode 編碼方法（ UCS-2)
由一個 16
位雙字序列組成。
這樣的字符串中包括了的一些如‘\0’或‘/’這樣的在文件名中或者是在
C
庫函數中具有特殊意義的字符。
另外，如果沒有做重大的修正的話，大部分操作
ASCII 碼文件的 UNIX
工具不能夠正確識別 16
位的字符。因此，
UCS-2 對於 Unicode
的文件名、文本文件、環境變量等等來說並不是一種合適的外部編碼方式。
ISO 10646 Universal Character Set (UCS), 是 Unicode
的超集，甚至使用了 31
位編碼方式，
另外還有使用 32 編碼的
UCS-4
也有同樣上述的問題。
UCS-4 而用 UTF-8 對 Unicode
UCS 編碼
就不會存在這樣的問題。所以，UTF-8
很明顯的是在 UNIX
類操作系統下的 Unicode
字符集的解決方案。
屬性
UTF-8
編碼具有以下優良屬性：
- *
- UCS 字符從 0x00000000 到 0x0000007f
（傳統的 US-ASCII
字符）簡單地編碼爲字節
0x00 到 0x7f （與 ASCII
碼兼容）。
這意味着只包含 7 位 ASCII
字符的文件和字符串在
ASCII 和 UTF-8.
編碼方式下是完全一樣的。
- *
- 所有大於 0x7f 的 UCS
字符被編碼成爲多字節序列。該序列全部是由
0x80 到 0fd 的字符組成，
這樣就不會有標準 ASCII
字符會
被作爲某個字的一個部分這種現象出現，
對於‘\0’和‘\[u2019]這樣的特殊字符來說也就不會有問題了。
- *
- 保留了 UCS-4
字典中的字節串的排列順序。
- *
- 所有 2^32 次方的 UCS
碼都能夠使用 UTF-8
來進行編碼。
- *
- 0xfe 和 0xff 兩個字符在 UTF-8
中不會被用到。
- *
- 表示非 ASCII 碼的 UCS
多字節串的開始字符總是
0xc0 到 0xfd
之間的字符，並會指出該串的長度。
多字節串的其他字符都是
0x80 到 0xbf 之間的字符。
這使得再同步非常簡單，並令編碼是無態的，
丟字節現象也不容易發生。
- *
- 用 UTF-8 編碼的 UCS
字符可以增加到 6
個字節的長度。而
Unicode 只能增加到 3
個字節長。由於 Linux
只使用 16 位的 Unicode ，
UCS 的子集。所以在 Linux
下， UTF-8
多字節串長度最多不會超過三個字節。
編碼方式
下面的字節串用來表示一個字符。用什麼串依照該字符在
UCS
編碼中的序號來定：
- 0x00000000 - 0x0000007F:
- 0xxxxxxx
- 0x00000080 - 0x000007FF:
- 110xxxxx 10xxxxxx
- 0x00000800 - 0x0000FFFF:
- 1110xxxx 10xxxxxx 10xxxxxx
- 0x00010000 - 0x001FFFFF:
- 11110xxx 10xxxxxx 10xxxxxx 10xxxxxx
- 0x00200000 - 0x03FFFFFF:
- 111110xx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx
- 0x04000000 - 0x7FFFFFFF:
- 1111110x 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx
這裏 xxx
的位置二進制位形式的字符編碼填入。
只用最短的那個足夠表達一個字符編碼數的多字節串。
舉例說明
Unicode 字符 0xa9 = 1010 1001
(版權所有的符號) 在 UTF-8
中被編碼爲：
11000010 10101001 = 0xc2 0xa9
字符0x2260 = 0010 0010 0110 0000
(“不等於”符號)被編碼爲：
11100010 10001001 10100000 = 0xe2 0x89 0xa0
遵循標準
ISO 10646, Unicode 1.1, XPG4, Plan 9.
billpan <billpan@yeah.net>
《中國linux論壇man手冊頁翻譯計劃》:
http://cmpp.linuxforum.net
跋
本頁面中文版由中文
man 手冊頁計劃提供。
中文 man
手冊頁計劃：https://github.com/man-pages-zh/manpages-zh