内容简介：UTF-8为什么会比UTF-16浪费？
上帝说：『首先取下栓，然后不多不少数到三。应该数到三，你数到的数字是三。你除了数到三，既不要数到四，也不要数到二，五是数多了。「三」一旦被数到，成为被数到的第三个数字，就高高的向敌人扔出安提拉之神圣手榴弹，阿门。』
UTF-8的来历
UTF-8 的规范里充斥着这样神秘的句子：“ 第一个位元组由 110 开始，接着的位元组由 10 开始 ”，“ 第一个位元组由 1110 开始，接着的位元组由 10 开始 ”。
那么这到底是什么意思呢？为什么要这么做呢？
我们先从二进制说起。我们都知道，一个字节是由 8 个二进制位构成的，最小就是 0000 0000 ，最大就是 1111 1111 。那么一个字节所能表示的最多字符数就是 2 的 8 次方，也就是 256 。对于 26 个英文字母来说，大小写全算上就是 52 个，再加上 10 个阿拉伯数字， 62 个字符，用可以表达 256 个不同字符的一个字节来存储是足够了。
但是，我们中国的常用汉字就有 3000 多个，用一个只能表达 256 个字符的字节显然是不够存储的。至少也需要有 2 个字节， 1 个字节是 8 个二进制位， 2 个字节就是 16 个二进制位，最多可以表达 2 的 16 次方，也就是 256*256=65536 。 65536 个字符足够容纳所有中国的汉字，外带日语、韩语、阿拉伯语、稀其古怪语等等各种各样的字符。所以这样就产生了 Unicode ，因为它用 2 字节表示字符，所以更严格来讲应该叫 UCS-2 ，后来因为怪字符太多， 2 字节都不够用了，所以又搞出来了一个 4 字节表示的方法，称作 UCS-4 。不过现在对绝大多数人来讲 UCS-2 已经是足够了。
Unicode 本来是一个好东西，用 2 字节表示 65536 种字符，全人类皆大欢喜的事情。但是偏偏有一帮子西洋人，非要认为这个东西是一种浪费，说我们英文就最多只需要 26 个字母就够了， 1 个字节就够了，为什么要浪费 2 字节呢？比如说字母 A 就是 0100 0001 ，这一个字节就够了的东西，你弄 2 字节，非要在前面加 8 个 0 ， 0000 0000 0100 0001 ，这不是浪费吗？我们就偏要用 1 字节表示英文。
好吧，我们全人类只好做妥协，规定每个字节，只要看见 0 打头的，就知道这是英文字母，这肯定不是汉字，只有看见 1 开头的，才认为这是汉字。
但是我们汉字用 1 个字节表示不下，那好办，用 2 个 1 开头的字符表示 1 个汉字。这样本来 16 个二进制位，减去 2 个开头的 1 ，只剩下 14 个二进制位了， 2 的 14 次方就是 16384 个字符，对于中文来讲，也是足够用了。但是无奈他们还是想表达 65536 种字符，那怎么办呢？就需要 3 个字节才能容纳得下了，于是 UTF-8 粉墨登场。
首先，首位为 0 的字符被占了，只要遇到 0 开头的字符，就知道这是一个 1 字节的字符，不必再往后数了，直接拿来用就可以，最多表示 128 种字符，从 0000 0000 到 0111 1111 ，也就是从 0 到 127 。
接下来的事情就比较蹊跷了。我们怎么用 1 开头的字符既表示 2 字节，又表示 3 字节呢？假设我们只判断首位的 1 ，这显然是不行的，没有办法区分，所以我们可以用 10 或者 11 开头的字符来表示 2 字节，但是 3 字节又该以什么开头？或者可以用 10 开头表示 2 字节，用 11 开头表示 3 字节？那么 4 字节的字符将来又该怎么办？也许我们可以用 110 开头表示 3 字节，用 111 开头表示 4 字节？那么 5 字节 6 字节呢？似乎我们看到了一个规律：前面的 1 越多，代表字节数越多。
这时候，看一下我们的第一种方案：用 10 开头表示 2 字节，那么我们的一个字符将是
10xx xxxx 10xx xxxx
用 110 表示 3 字节，那么一个 3 字节的字符将是：
110x xxxx 110x xxxx 110x xxxx
这样无疑是能区分得开的。但是 4 字节怎么办？
1110 xxxx 1110 xxxx 1110 xxxx 1110 xxxx
吗？这样也能区分开，但似乎有点浪费。因为每个字节的前半扇都被无用的位占满了，真正有意义的只有后面一半。
或者我们干脆这样做得了，我们来设计方案二：为了节省起见，所有后面的字符，我们统统都以 10 开头，只要遇见 10 我们就知道它只是整个字符流的一部分，它肯定不是开头，但是 10 这个开头已经被我们刚刚方案一的 2 字节字符占用了，怎么办？好办，把 2 字节字符的开头从 10 改成 110 ，这样它就肯定不会和 10 冲突了。于是 2 字节字符变成
110x xxxx 10xx xxxx
再往后顺推， 3 字节字符变成
1110x xxxx 10xx xxxx 10xx xxxx
4 字节字符变成
1111 0xxx 10xx xxxx 10xx xxxx 10xx xxxx
好像比刚才的方案一有所节省呢！并且还带来了额外的好处：如果我没有见到前面的 110 或者 1110 开头的字节，而直接见到了 10 开头的字节，毫无疑问地可以肯定我遇到的不是一个完整字符的开头，我可以直接忽略这个错误的字节，而直接找下一个正确字符的开头。
这个改良之后的方案二就是 UTF-8 ！
UTF-8表示的字符数
现在，我们来算一下在 UTF-8 方案里，每一种字节可以表示多少种字符。
1 字节的字符，以 0 开头的， 0xxx xxxx ，后面 7 个有效位， 2 的 7 次方，最多可以表示 128 种字符。
2 字节的字符， 110x xxxx 10xx xxxx ，数一数， 11 个 x ，所以是 2 的 11 次方， 2 的 10 次方是 1024 ， 11 次方就是 2048 ，很不幸，只能表示 2048 种字符，而我们的常用汉字就有 3000 多个，看来在这一区是放不下了，只好挪到 3 字节。
3 字节的字符， 1110 xxxx 10xx xxxx 10xx xxxx ，数一数， 16 个 x ， 2 的 16 次方，最多可以表示 65536 个字符，所以我们的汉字就放在这一区，所以在 UTF-8 方案里我们的汉字都是以 3 个字节表示的。
所以这也就是这一张表的来历：
UTF-8和UTF-16
那么 UTF-8 的 8 是从哪儿来的呢？它的意思就是说我们以 2 的 8 次方为一个字节，为一个最小单元。那么如果我们以 2 的 16 次方为一个最小单元，这就变成了 UTF-16 ，它的规则和 UTF-8 相同，唯一不同的是它最小也要用 16 个 2 进制位表示一个字符，而 16 个 2 进制位直接可以表示 65536 种字符，所以在 UTF-16 方案里，我们汉字直接就可以如英文一样被堂而皇之地放在第 1 区了，也就是说，和英文具有同等的身份，都占用 16 个 2 进制位，也就相当于 UTF-8 里的 2 字节哦，看，这样一来，如果我们用 UTF-16 来存储英文的话，会造成浪费，因为英文在 UTF-8 里只占 1 字节，而在 UTF-16 里要占 2 字节，但是如果我们用 UTF-16 来存储中文的话，不但不浪费，反而还节省了呢！因为我们的中文在 UTF-8 里要占用 3 字节，而在 UTF-16 里只占用 2 字节，节省了 33% 之多呢！
以上就是本文的全部内容，希望本文的内容对大家的学习或者工作能带来一定的帮助，也希望大家多多支持 码农网
猜你喜欢:
本站部分资源来源于网络，本站转载出于传递更多信息之目的，版权归原作者或者来源机构所有，如转载稿涉及版权问题，请联系我们。
