utf8的編碼算法轉(zhuǎn)載

2024-09-06 12:44:05

字體：大中小

供稿：網(wǎng)友

unicode字符集是我們世界上最完善最全面的字符集，幾乎包含了世界上所有的字符。其實(shí)可以這么理解，unicode字符集是一張巨大的表格，把世界上各種語言的字符和標(biāo)點(diǎn)符號(hào)都編排到里面，然后按照一定的順序給每個(gè)字符排號(hào)（很遺憾的是對(duì)于中文來說，這個(gè)順序不是按照漢語拼音的順序）。有了這張巨大的表格，世界上大部分字符就都有一個(gè)unicode內(nèi)碼（整數(shù)）來對(duì)應(yīng)。計(jì)算機(jī)就通過記錄字符的unicode碼來表示這個(gè)字符，然后交給操作系統(tǒng)，操作系統(tǒng)通過unicode碼到字符字體點(diǎn)陣的映射把這個(gè)內(nèi)碼轉(zhuǎn)換成字體點(diǎn)陣顯示到我們的屏幕上。

utf8是我們常用的編碼方式，在web開發(fā)中使用utf8編碼能完全解決字符集問題。其實(shí)utf8是unicode字符集的一種物理實(shí)現(xiàn)，它描述了如何高效的存儲(chǔ)unicode的內(nèi)碼（就是上面說的字符在字符集的順序碼），RFC2044文檔(http: //www.ietf.org/rfc/rfc2044.txt?number=2044)描述了如何從一個(gè)內(nèi)碼轉(zhuǎn)換成utf8格式的算法。英文不好沒關(guān)系，看這個(gè)轉(zhuǎn)換表就會(huì)馬上明白了：

   UCS-4 range (hex.)           UTF-8 octet sequence (binary)
   0000 0000-0000 007F   0xxxxxxx
   0000 0080-0000 07FF   110xxxxx 10xxxxxx
   0000 0800-0000 FFFF   1110xxxx 10xxxxxx 10xxxxxx
   0001 0000-001F FFFF   11110xxx 10xxxxxx 10xxxxxx 10xxxxxx
   0020 0000-03FF FFFF   111110xx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx
   0400 0000-7FFF FFFF   1111110x 10xxxxxx ... 10xxxxxx

上面的表格左邊是16進(jìn)制表示的unicode內(nèi)碼，最后一行的16進(jìn)制數(shù)“7FFF FFFF”是utf8所能表示的內(nèi)碼的最大值，換成10進(jìn)制是這樣的一個(gè)數(shù)：2147483647（夠大吧:)）[對(duì)不起，此文最初這兒寫錯(cuò)了，已改正]。上面表格中右邊一列就是utf8的二進(jìn)制格式,轉(zhuǎn)換規(guī)則可謂一目了然。我直接給出算法吧(js代碼)：

    function toUtf8(code)
    {
     var iByte=0;
     var i=0;
     result="";
     while(code>0x7f)
     {
      iByte=code%0x40;
      code=(code-iByte)/0x40;
      result="%"+(iByte|0x80).toString(16).toUpperCase()+result;
      i++;
     }
     prefix=[0x0,0xc0,0xe0,0xf0,0xf8,0xfc];
     if(i>prefix.length)