常用编码详解

核心提示： 1）UTF-8向UCS-4，UCS-2两者中任一个进行相互转换比较容易，常用编码详解(2)，2）多8比特字节序列的第一个8比特字节指明了系列中8比特字节的数目，3）8比特字节值FE和FF永远不会出现，然后剩下的字符值依次放到前一个字节中，如此重复，4）在8比特字符流中字符边界从哪里开始较容

1）UTF-8向UCS-4，UCS-2两者中任一个进行相互转换比较容易。

2）多8比特字节序列的第一个8比特字节指明了系列中8比特字节的数目。

3）8比特字节值FE和FF永远不会出现。

4）在8比特字符流中字符边界从哪里开始较容易发现。

UTF-8定义:

在UTF-8中，字符采用1到6个8比特字节的序列进行编码。仅仅一个8比特字节的一个序列中，字节的高位为0，其他的7位用于字符值编码。n（n>1）个8比特字节的一个序列中，初始的8比特字节中高n位为1，接着一位为0，此字节余下的位包含被编码字符值的位。接着的所有8比特字节的最高位为1，接着下一位为0，余下每个字节6位包含被编码字符的位。

下表总结了这些不同的8比特字节类型格式。字母x指出此位来自于进行编码的UCS-4字符值。

　 UCS-4范围（16进制）　　 UTF-8 系列（二进制）
　 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

从UCS-4 到 UTF-8编码规则如下：

1）从字符值和上表第一列中决定需要的8比特字节数目。着重指出的是上表中的行是相互排斥的，也就是说，对于一个给定的UCS-4字符，仅仅有一个有效的编码。

2）按照上表中第二列每行那样准备8比特字节的高位。

3）将UCS字符值的位，从低位起填充在标记为x地方。从UTF8序列中最后一个字节填起，然后剩下的字符值依次放到前一个字节中，如此重复，直到所有标记位x的位都进行了填充。