关于unicode:具有中文字符的文件如何知道每个字符使用多少字节?

How does a file with Chinese characters know how many bytes to use per character?

我读过乔尔的文章"每个软件开发人员绝对,绝对,绝对必须了解Unicode和字符集(没有借口!)"但仍然不了解所有细节。一个例子将说明我的问题。查看以下文件:

alt text(source:yart.com.au)

我在二进制编辑器中打开了文件,仔细检查了第一个汉字旁边的三个a中的最后一个:

氧化镁(source:yart.com.au)

乔尔说:

In UTF-8, every code point from 0-127 is stored in a single byte. Only code points 128 and above are stored using 2, 3, in fact, up to 6 bytes.

编辑也这么说:

百万千克1E6(230)高于代码点128。百万千克1百万千克1因此,我将把下面的字节解释为2,3,实际上,最多6个字节。百万千克1

如果是这样,说明解释超过2个字节的是什么?E6后面的字节是如何指示这一点的?

我的汉字是以2、3、4、5或6字节存储的吗?


如果编码为UTF-8,下表显示了如何将Unicode码位(最多21位)转换为UTF-8编码:

1
2
3
4
5
Scalar Value                 1st Byte  2nd Byte  3rd Byte  4th Byte
00000000 0xxxxxxx            0xxxxxxx
00000yyy yyxxxxxx            110yyyyy  10xxxxxx
zzzzyyyy yyxxxxxx            1110zzzz  10yyyyyy  10xxxxxx
000uuuuu zzzzyyyy  yyxxxxxx  11110uuu  10uuzzzz  10yyyyyy  10xxxxxx

有许多不允许的值-特别是字节0xc1、0xc2和0xf5-0xff永远不能出现在格式良好的UTF-8中。还有许多其他的原话组合。第一个字节和第二个字节列中存在不规则。请注意,代码U+D800-U+DFFF是为UTF-16代理保留的,不能以有效的UTF-8显示。

1
2
3
4
5
6
7
8
9
10
Code Points          1st Byte  2nd Byte  3rd Byte  4th Byte
U+0000..U+007F       00..7F
U+0080..U+07FF       C2..DF    80..BF
U+0800..U+0FFF       E0        A0..BF    80..BF
U+1000..U+CFFF       E1..EC    80..BF    80..BF
U+D000..U+D7FF       ED        80..9F    80..BF
U+E000..U+FFFF       EE..EF    80..BF    80..BF
U+10000..U+3FFFF     F0        90..BF    80..BF    80..BF
U+40000..U+FFFFF     F1..F3    80..BF    80..BF    80..BF
U+100000..U+10FFFF   F4        80..8F    80..BF    80..BF

这些表是从Unicode标准版本5.1中提取的。

在问题中,来自偏移量0x0010的材料..0x00 8F产量:

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
0x61           = U+0061
0x61           = U+0061
0x61           = U+0061
0xE6 0xBE 0xB3 = U+6FB3
0xE5 0xA4 0xA7 = U+5927
0xE5 0x88 0xA9 = U+5229
0xE4 0xBA 0x9A = U+4E9A
0xE4 0xB8 0xAD = U+4E2D
0xE6 0x96 0x87 = U+6587
0xE8 0xAE 0xBA = U+8BBA
0xE5 0x9D 0x9B = U+575B
0x2C           = U+002C
0xE6 0xBE 0xB3 = U+6FB3
0xE6 0xB4 0xB2 = U+6D32
0xE8 0xAE 0xBA = U+8BBA
0xE5 0x9D 0x9B = U+575B
0x2C           = U+002C
0xE6 0xBE 0xB3 = U+6FB3
0xE6 0xB4 0xB2 = U+6D32
0xE6 0x96 0xB0 = U+65B0
0xE9 0x97 0xBB = U+95FB
0x2C           = U+002C
0xE6 0xBE 0xB3 = U+6FB3
0xE6 0xB4 0xB2 = U+6D32
0xE4 0xB8 0xAD = U+4E2D
0xE6 0x96 0x87 = U+6587
0xE7 0xBD 0x91 = U+7F51
0xE7 0xAB 0x99 = U+7AD9
0x2C           = U+002C
0xE6 0xBE 0xB3 = U+6FB3
0xE5 0xA4 0xA7 = U+5927
0xE5 0x88 0xA9 = U+5229
0xE4 0xBA 0x9A = U+4E9A
0xE6 0x9C 0x80 = U+6700
0xE5 0xA4 0xA7 = U+5927
0xE7 0x9A 0x84 = U+7684
0xE5 0x8D 0x8E = U+534E
0x2D           = U+002D
0x29           = U+0029
0xE5 0xA5 0xA5 = U+5965
0xE5 0xB0 0xBA = U+5C3A
0xE7 0xBD 0x91 = U+7F51
0x26           = U+0026
0x6C           = U+006C
0x74           = U+0074
0x3B           = U+003B

这都是UTF8编码的一部分(对于Unicode来说,这只是一种编码方案)。

通过检查第一个字节可以计算出大小,如下所示:

  • 如果它以位模式"10" (0x80-0xbf)开头,它不是序列的第一个字节,您应该备份到找到开始,任何以"0"或"11"开头的字节(感谢Jeffrey Hantin在注释中指出)。
  • 如果它以位模式"0" (0x00-0x7f)开头,则为1字节。
  • 如果它以位模式"110" (0xc0-0xdf)开头,则为2字节。
  • 如果它以位模式"1110" (0xe0-0xef)开头,则为3字节。
  • 如果它以位模式"11110" (0xf0-0xf7)开头,则为4字节。

我会复制显示这个的表格,但原件在维基百科的utf8页面上。

1
2
3
4
5
6
7
8
+----------------+----------+----------+----------+----------+
| Unicode        | Byte 1   | Byte 2   | Byte 3   | Byte 4   |
+----------------+----------+----------+----------+----------+
| U+0000-007F    | 0xxxxxxx |          |          |          |
| U+0080-07FF    | 110yyyxx | 10xxxxxx |          |          |
| U+0800-FFFF    | 1110yyyy | 10yyyyxx | 10xxxxxx |          |
| U+10000-10FFFF | 11110zzz | 10zzyyyy | 10yyyyxx | 10xxxxxx |
+----------------+----------+----------+----------+----------+

上表中的Unicode字符由以下位构成:

1
000z-zzzz yyyy-yyyy xxxx-xxxx

如果没有给定,则假定zy位为零。有些字节被认为是非法的起始字节,因为它们要么是:

  • 无用:以0xc0或0xc1开头的2字节序列实际给出的代码点小于0x80,这可以用1字节序列更好地表示。
  • 由rfc3629用于U+10ffff以上的4字节序列,或5字节和6字节序列。这些是字节0xf5到0xfd。
  • 只是未使用:字节0xfe和0xff。

此外,多字节序列中不以位"10"开头的后续字节也是非法的。

例如,考虑序列[0xf4,0x8a,0xaf,0x8d]。这是一个4字节序列,因为第一个字节介于0xf0和0xf7之间。

1
2
3
4
5
6
7
8
    0xf4     0x8a     0xaf     0x8d
= 11110100 10001010 10101111 10001101
       zzz   zzyyyy   yyyyxx   xxxxxx

= 1 0000 1010 1011 1100 1101
  z zzzz yyyy yyyy xxxx xxxx

= U+10ABCD

对于第一个字节为0xe6(长度=3)的特定查询,字节序列为:

1
2
3
4
5
6
7
8
    0xe6     0xbe     0xb3
= 11100110 10111110 10110011
      yyyy   yyyyxx   xxxxxx

= 01101111 10110011
  yyyyyyyy xxxxxxxx

= U+6FB3

如果你在这里查到代码,你会发现它就是你问题中的代码:澳大利亚。

为了展示解码是如何工作的,我回到我的档案中找到了我的utf8处理代码。为了使它成为一个完整的程序,我必须对它进行一些变形,并且编码已经被删除(因为问题实际上是关于解码的),所以我希望我没有从剪切粘贴中引入任何错误:

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
#include <stdio.h>
#include <string.h>

#define UTF8ERR_TOOSHORT -1
#define UTF8ERR_BADSTART -2
#define UTF8ERR_BADSUBSQ -3
typedef unsigned char uchar;

static int getUtf8 (uchar *pBytes, int *pLen) {
    if (*pLen < 1) return UTF8ERR_TOOSHORT;

    /* 1-byte sequence */
    if (pBytes[0] <= 0x7f) {
        *pLen = 1;
        return pBytes[0];
    }

    /* Subsequent byte marker */
    if (pBytes[0] <= 0xbf) return UTF8ERR_BADSTART;

    /* 2-byte sequence */
    if ((pBytes[0] == 0xc0) || (pBytes[0] == 0xc1)) return UTF8ERR_BADSTART;
    if (pBytes[0] <= 0xdf) {
        if (*pLen < 2) return UTF8ERR_TOOSHORT;
        if ((pBytes[1] & 0xc0) != 0x80) return UTF8ERR_BADSUBSQ;
        *pLen = 2;
        return ((int)(pBytes[0] & 0x1f) << 6)
            | (pBytes[1] & 0x3f);
    }

    /* 3-byte sequence */
    if (pBytes[0] <= 0xef) {
        if (*pLen < 3) return UTF8ERR_TOOSHORT;
        if ((pBytes[1] & 0xc0) != 0x80) return UTF8ERR_BADSUBSQ;
        if ((pBytes[2] & 0xc0) != 0x80) return UTF8ERR_BADSUBSQ;
        *pLen = 3;
        return ((int)(pBytes[0] & 0x0f) << 12)
            | ((int)(pBytes[1] & 0x3f) << 6)
            | (pBytes[2] & 0x3f);
    }

    /* 4-byte sequence */
    if (pBytes[0] <= 0xf4) {
        if (*pLen < 4) return UTF8ERR_TOOSHORT;
        if ((pBytes[1] & 0xc0) != 0x80) return UTF8ERR_BADSUBSQ;
        if ((pBytes[2] & 0xc0) != 0x80) return UTF8ERR_BADSUBSQ;
        if ((pBytes[3] & 0xc0) != 0x80) return UTF8ERR_BADSUBSQ;
        *pLen = 4;
        return ((int)(pBytes[0] & 0x0f) << 18)
            | ((int)(pBytes[1] & 0x3f) << 12)
            | ((int)(pBytes[2] & 0x3f) << 6)
            | (pBytes[3] & 0x3f);
    }

    return UTF8ERR_BADSTART;
}

static uchar htoc (char *h) {
    uchar u = 0;
    while (*h != '\0') {
        if ((*h >= '0') && (*h <= '9'))
            u = ((u & 0x0f) << 4) + *h - '0';
        else
            if ((*h >= 'a') && (*h <= 'f'))
                u = ((u & 0x0f) << 4) + *h + 10 - 'a';
            else
                return 0;
        h++;
    }
    return u;
}

int main (int argCount, char *argVar[]) {
    int i;
    uchar utf8[4];
    int len = argCount - 1;

    if (len != 4) {
            printf ("Usage: utf8 <hex1> <hex2> <hex3> <hex4>
");
            return 1;
    }
    printf ("Input:      (%d) %s %s %s %s
",
        len, argVar[1], argVar[2], argVar[3], argVar[4]);

    for (i = 0; i < 4; i++)
            utf8[i] = htoc (argVar[i+1]);

    printf ("   Becomes: (%d) %02x %02x %02x %02x
",
        len, utf8[0], utf8[1], utf8[2], utf8[3]);

    if ((i = getUtf8 (&(utf8[0]), &len)) < 0)
        printf ("Error %d
", i);
    else
        printf ("   Finally: U+%x, with length of %d
", i, len);

    return 0;
}

您可以使用字节序列运行它(您需要4个字节,因此使用0填充它们),如下所示:

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
> utf8 f4 8a af 8d
Input:      (4) f4 8a af 8d
   Becomes: (4) f4 8a af 8d
   Finally: U+10abcd, with length of 4

> utf8 e6 be b3 0
Input:      (4) e6 be b3 0
   Becomes: (4) e6 be b3 00
   Finally: U+6fb3, with length of 3

> utf8 41 0 0 0
Input:      (4) 41 0 0 0
   Becomes: (4) 41 00 00 00
   Finally: U+41, with length of 1

> utf8 87 0 0 0
Input:      (4) 87 0 0 0
   Becomes: (4) 87 00 00 00
Error -2

> utf8 f4 8a af ff
Input:      (4) f4 8a af ff
   Becomes: (4) f4 8a af ff
Error -3

> utf8 c4 80 0 0
Input:      (4) c4 80 0 0
   Becomes: (4) c4 80 00 00
   Finally: U+100, with length of 2


一个很好的参考是markus kuhn的utf-8和unicode faq。


基本上,如果它以0开头,它是一个7位的代码点。如果以10开头,则是多字节码位的延续。否则,1的数字告诉您这个代码点编码为多少字节。

第一个字节表示编码码位的字节数。

0xXXXXXX以1字节编码的7位码位

110xxxxx 10xxxx 10位码位,以2字节编码

110XXXXX 10XXXXXX 10XXXXXX等1110XXXX111xxxx等。


UTF-8的构造方式使得字符的起始位置和字节数没有可能的模糊性。

这真的很简单。

  • 范围从0x80到0xBF的字节绝不是字符的第一个字节。
  • 任何其他字节总是字符的第一个字节。

UTF-8有很多冗余。

如果您想知道一个字符有多少字节长,有多种方法可以知道。

  • 第一个字节总是告诉您字符的长度:
    • 如果第一个字节是0x00到0x7F,则为一个字节。
    • 0xc2到0xdf表示它是两个字节。
    • 0xe0到0xef表示它是三个字节。
    • 0xf0到0xf4意味着它是四个字节。
  • 或者,您可以只计算0x80到0xBF范围内的连续字节数,因为这些字节都属于与前一个字节相同的字符。

有些字节从未被使用过,比如0xc1到0xc2或0xf5到0xff,所以如果在任何地方遇到这些字节,那么就不会看到utf-8。


3字节http://en.wikipedia.org/wiki/utf-8说明


最多0x7ff的代码点存储为2个字节;最多0xffff存储为3个字节;其他所有代码点存储为4个字节。(从技术上讲,最多为0x1ffff,但Unicode中允许的最高代码点是0x10ffff。)

解码时,多字节序列的第一个字节用于确定用于生成序列的字节数:

  • 110x xxxx=>2字节序列
  • 1110 xxxx=>3字节序列
  • 1111 0xxx=>4字节序列
  • 序列中的所有后续字节必须符合10xx xxxx模式。


    提示在下面的句子中:

    In UTF-8, every code point from 0-127
    is stored in a single byte. Only code
    points 128 and above are stored using
    2, 3, in fact, up to 6 bytes.

    最高127的每个代码点的顶位都设置为零。因此,编辑器知道,如果遇到顶部位为1的字节,它就是多字节字符的开头。


    为什么有这么多复杂的答案?

    一个汉字3个字节。使用此函数(在jquery下):

    1
    2
    3
    4
    5
    6
    7
    8
    9
    10
    11
    12
    function get_length(field_selector) {
      var escapedStr = encodeURI($(field_selector).val())
      if (escapedStr.indexOf("%") != -1) {
        var count = escapedStr.split("%").length - 1
        if (count == 0) count++  //perverse case; can't happen with real UTF-8
        var tmp = escapedStr.length - (count * 3)
        count = count + tmp
      } else {
        count = escapedStr.length
      }
      return count
    }