48-92423-utf-8.sy.md

show	version	enable_checker
step	1.0	true

utf-8

回忆上次内容

• 数字字符编码从博多码到 ascii、8859各自割据
• 如何把世界上各种字符统进行编码
  • unicode顺势而生不断进化
  • 不过字符总量超过了65536
  • 2个字节放不下

• 究竟应该用几个字节理解存储的这些字节呢?🤔
  • 1字节 省空间 可是范围窄
  • 2字节 居中
  • 3字节 费空间 可是范围广

utf-8

• utf-8 是一种可变长度的字符编码格式
  • 有的时候 1 字节 利用他空间小
  • 有的时候 3 字节 利用他范围广
• 这不就两个好处都得到了么
• utf-8 的意思是 Unicode Transformation Format – 8-bit
• 这和 unicode 到底有什么区别呢？

存储规则

• Unicode 是字符集编码
  • Universal Coded Character Set
  • 字符集：为每一个字符分配一个唯一的数字ID
  • (学名为码位 / 码点 / Code Point / 字符的身份证号)
  • 可以在 https://home.unicode.org/ 找到每一个字符的唯一编码
• utf-8 是 编码规则
  • Unicode Transformation Format – 8-bit
  • 编码规则：将「码位」转换为字节序列的规则(编码/解码 可以理解为 加密/解密 的过程)
  • 而且读到字符之后，系统就知道这个到底是几个字节存储的

具体编码

• 那这个东西怎么具体存储和操作呢？

• 一(4E00) 属于第三行的范围
• 从 0800-FFFF
• 所以三个字节
• 如下图套入模板

在文件系统中验证

• 首先进入 vi
• 然后在插入模式下写一个一
  • 点击桌面上的sougo图表
  • 在右下角的键盘位置选择中文
  • 然后就可以输入中文了

• :%!xxd

• 一字存储的状态确实是 e4b880
• utf-8 编码 E4B080 转化为 unicode 编码是 4E00

• 后面的 0a 是 换行LineFeed
• 或者叫做 NL(NewLine)
• 如果是两个一呢

动手

• 两个字符相同的

• 得到两个同样的三字节utf-8存储

• 以及最后的
• 0a 是 换行LineFeed
• 或者叫做 NL(NewLine)
• 可以在指令层面中看到么？

反编译

• :%!xxd
  • 转化为字节码状态

• 汉字确实可以在字节码状态中观察到

编码解码

• 第一次编码
  • 把汉字编码为 unicode
  • 具体就是把 一 编码为 unicode 值 0x4e00
• 第二次编码
  • 把 unicode 值编码为 utf-8 值
  • 具体就是把 unicode 值 0x4e00 编码为 0xe4b880
• 第一次解码
  • 把 utf-8 解码为 unicode
  • 具体就是把 utf-8 值 0xe4b880 解码为 0x4e00
• 第二次解码
  • 把 unicode 解码为汉字
  • 具体就是把 0x4e00 解码为 一

• unicode编码是utf-8存储形式和具体汉字中间的桥梁

验证编码

#原始字符串
"一"
#查看原始字符串utf-8编码
"一".encode("utf-8")
#给utf-8编码解码
b"\xe4\xb8\x80".decode("utf-8")
#先编码再解码
"一".encode("utf-8").decode("utf-8")
#先解码再编码
b"\xe4\xb8\x80".decode("utf-8").encode("utf-8")

• b"\xe4\xb8\x80"是什么类型呢？

字节序列类

• 前缀 b 表示 byte 字节
• 后面字符串是 bytes 类型对应的字节
• \x 是前缀
• b"\xe4\xb8\x80"是三个字节的序列

默认编码

• utf-8 是系统默认的编码格式
• 一般都是这种编码格式
• 这一个字就有三个字节
• 可以用长度来描述字符么？

字符长度

• len()函数
  • 可以衡量出字符串的长度
  • 也可以衡量出编码后字节的长度
• 字母a对应着一个字节
• 汉字一对应着三个字节
• 这个区间究竟是怎么安排的呢？

排好座次

• 这样的话所有字符被分成了 4 档
• 1 字节部分 ascii
• 后面的字符有可能用 2 字节、3 字节、4 字节

• 0开头的
  • ascii
  • 英文字符和数字占据最大范围兼容
• 10开头的
  • 2 字节
  • 主要是拼音符号文字
    • 拉丁
    • 希腊
    • 西里尔
    • 等等
• 110开头的
  • 3 字节范围内
    • 首先是印度
    • 然后是杂项
    • 然后是符号
    • 日文假名
    • 然后是中日韩 CJK
• 11110开头的
  • 4 字节
  • 各种扩展集

极大扩展

• unicode 开始逐渐流行
• 一旦一种编码在世界上开始流行
• 他就会挤压其他的编码方式的生存空间
• 到了 2020 年 95%的网页使用 unicode 编码
• 到了 2021 已经达到了 97.4%
• 感觉这是全球化一体最终的编码方式

• https://w3techs.com/technologies/overview/character_encoding

gbk的追赶

• 80年的gb2312
• 95年的gbk
• 05年有了gb18030

• 全称：国家标准 GB 18030-2005《信息技术中文编码字符集》
  • 是中华人民共和国现时最新的内码字集
  • 是 GB 18030-2000《信息技术信息交换用汉字编码字符集基本集的扩充》的修订版
• 有多少字符了呢？

字符集

• GB 18030 与 GB 2312-1980 和 GBK 兼容
• 共收录汉字70244个
• 与 utf-8 相同
  • 采用多字节编码
  • 每个字可以由 1 个、2 个或 4 个字节组成
  • 编码空间庞大
• 整个世界还是以utf-8为方向发展的
• 世界标准放眼世界、放眼未来
  • 不谋万世者
  • 不足谋一时
  • 不谋全局者
  • 不足谋一域
• 不过这样也挺好的
  • 只有我们自己用的解码方式
  • 其实就成了一种密码😄

乱码问题

• 有的时候还会遇到 gb2312 编码的文档
• 有的时候用 utf-8编码方式 打开 gb18030编码 的文件就会乱码
• 这个时候可以在 vim 中使用命令
• :edit ++enc=gb18030
• 可以解决问题

• gb18030 用的人少
  • 有人少的好处
  • 如果只会用utf-8解码
  • 那么gb18030本身就构成了加密系统
  • 只有懂汉语并且懂编码才能看懂
  • 不懂的话只能见到乱码
  • 想要自动翻译都不行

总结

• utf-8是一种可变长度的编码方式
• utf-8是实现unicode的存储和传输的现实的方式
• 这个unicode让字符范围得到了极大扩展
• 到底扩展出什么好玩的字符呢？🤔
• 我们下次再说！👋