Java--UTF-8

UTF-8（8-bit Unicode Transformation Format）是一种针对Unicode的可变长度字符编码，又称万国码。由Ken Thompson于1992年建立。如今已经标准化为RFC 3629。UTF-8用1到6个字节编码UNICODE字符。用在网页上能够同一页面显示中文简体繁体及其它语言（如英文，日文，韩文）。

发展历程

数据结构简要

在全部 字符集中，最知名的可能要数被称为 ASCII的7位字符集了。它是 美国标准信息交换代码（American Standard Code for Information Interchange）的缩写, 为美国英语通讯所设计。它由128个 字符组成，包括大小写字母、数字0-九、标点符号、非 打印字符（换行符、 制表符等4个）以及 控制字符（退格、响铃等）组成。

可是，因为他是针对英语设计的，当处理带有音调标号（形如汉语的拼音）的亚洲文字时就会出现问题。所以，建立出了一些包括255个字符的由ASCII扩展的字符集。其中有一种一般被称为IBM字符集，它把值为128-255之间的字符用于画图和画线，以及一些特殊的欧洲字符。另外一种8位字符集是 ISO 8859-1Latin 1，也简称为ISOLatin-1。它把位于128-255之间的 字符用于拉丁字母表中特殊语言字符的编码，也所以而得名。

ASCII码格式

欧洲语言不是地球上的惟一语言，所以亚洲和非洲语言并不能被8位 字符集所支持。仅汉语字母表（或pictograms）就有80000以上个 字符。可是把汉语、日语和越南语的一些类似的字符结合起来，在不一样的语言里，使不一样的字符表明不一样的字，这样只用2个 字节就能够编码地球上几乎全部地区的文字。所以，建立了 UNICODE编码。它经过增长一个高字节对ISO Latin-1字符集进行扩展，当这些高字节位为0时，低字节就是ISO Latin-1字符。UNICODE支持欧洲、非洲、中东、亚洲（包括统一标准的东亚象形汉字和韩国表音文字）。可是，UNICODE并无提供对诸如Braille, Cherokee, Ethiopic, Khmer, Mongolian, Hmong, Tai Lu, Tai Mau文字的支持。同时它也不支持如Ahom, Akkadian, Aramaic,  BabylonianCuneiform, Balti, Brahmi, Etruscan, Hittite, Javanese, Numidian, Old Persian Cuneiform, Syrian之类的古老文字。

事实证实，对能够用 ASCII表示的 字符使用UNICODE并不高效，由于UNICODE比ASCII占用大一倍的空间，而对ASCII来讲高 字节的0对他毫无用处。为了解决这个问题，就出现了一些中间格式的 字符集，他们被称为通用转换格式，即 UTF（Universal Transformation Format）。常见的UTF格式有：UTF-7, UTF-7.5, UTF-8, UTF-16, 以及  UTF-32。

 

字符集

若是UNICODE 字符由2个 字节表示，则编码成UTF-8极可能须要3个字节。而若是UNICODE字符由4个字节表示，则编码成UTF-8可能须要6个字节。用4个或6个字节去编码一个UNICODE字符可能太多了，但不多会遇到那样的UNICODE字符。 UTF-8转换表表示以下：

Unicode/UCS-4	bit数	UTF-8	byte数	备注
0000 ~ 007F	0~7	0XXX XXXX	1
0080 ~ 07FF	8~11	110X XXXX 10XX XXXX	2
0800 ~ FFFF	12~16	1110XXXX 10XX XXXX 10XX XXXX	3	基本定义范围：0~FFFF
1 0000 ~ 1F FFFF	17~21	1111 0XXX 10XX XXXX 10XX XXXX 10XX XXXX	4	Unicode6.1定义范围：0~10 FFFF
20 0000 ~ 3FF FFFF	22~26	1111 10XX 10XX XXXX 10XX XXXX 10XX XXXX 10XX XXXX	5	说明：此非unicode编码范围，属于UCS-4 编码 早期的规范UTF-8能够到达6字节序列，能够覆盖到31位元（通用字符集原来的极限）。尽管如此，2003年11月UTF-8 被 RFC 3629 从新规范，只能使用原来Unicode定义的区域， U+0000到U+10FFFF。根据规范，这些字节值将没法出如今合法 UTF-8序列中
400 0000 ~ 7FFF FFFF	27~31	1111 110X 10XX XXXX 10XX XXXX 10XX XXXX 10XX XXXX 10XX XXXX	6

实际表示ASCII 字符的UNICODE字符，将会编码成1个 字节，而且UTF-8表示与ASCII字符表示是同样的。全部其余的UNICODE字符转化成UTF-8将须要至少2个字节。每一个字节由一个 换码序列开始。第一个字节由惟一的换码序列，由n位连续的1加一位0组成, 首字节连续的1的个数表示 字符编码所需的字节数。

Unicode转换为UTF-8时，能够将Unicode二进制从低位往高位取出二进制数字，每次取6位，如上述的二进制就能够分别取出为以下示例所示的格式，前面按格式填补，不足8位用0填补。

注：Unicode转换为UTF-8须要的字节数能够根据这个规则计算：若是Unicode小于0X80（Ascii字符），则转换后为1个字节。不然转换后的字节数为Unicode二进制位数减1再除以5。

示例

UNICODE uCA(1100 1010) 编码成UTF-8将须要2个 字节：

uCA -> C3 8A

UNICODE uF03F (11110000 0011 1111) 编码成UTF-8将须要3个字节:

u F03F -> EF 80 BF

Unicode 16进制	Unicode 2进制	bit数	UTF-8 2进制	UTF-8 16进制
CA	1100 1010	8	1100 00111000 1010	C3 8A
F0 3F	11110000 0011 1111	16	111011111000 00001011 1111	EF 80 BF