409-92423-[专业选修]utf-8_unicode_transformation_format_8_编码方式.sy.md

show	version	enable_checker
step	1.0	true

utf-8

回忆上次内容

• 上次再次输出了大红心♥
  • 找到了红心对应的编码
  • 黑红梅方都对应有编码
• 原来的编码叫做 ascii️
  • \u这种新的编码方式叫unicode
  • 包括了 中日韩字符集等 各书写系统的字符集
• 但是有个问题
  • 拜这个字
  • 在字节中应该是b"\x62\xdc"两个字节

• 该如何理解b"\x62\xdc"这两个字节呢?🤔
  • 究竟是"拜"
  • 还是"bÜ"呢？

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
  • 存储的状态是
    • e4b880
    • 三个字节
  • 并不是unicode对应的
    • 4e00
    • 两个字节
• 我们还是得区分一下概念

字符集和字符集编码

• 字符集(Character-Set)是

  • 指的是字符和序号之间的对应关系
  • 函数是
    • ord
    • chr

• 字符集编码(Character-Set Encoding)

  • 指的是把字符集里面的所有字符
  • 放到计算机的字节里
  • 函数是
    • encode
    • decode

• ascii、gb2312、BIG5

  • 既是字符集
  • 又是字符编码

• unicode如何呢？

unicode

• 一般来讲unicode是字符集
  • 可以用ord和chr
  • 但Unicode一般不做字符集编码

• 用字符集什么来进行字符编码呢？

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 利用他省空间
  • 有的时候 2 字节 利用他很平衡
  • 有的时候 3 字节 利用他范围广
  • 再往后 利用的更是他范围广
• 这不就两方面好处都得到了么
• 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
  • 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 字符集编码方案
  • 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) 在上图中
  • 属于第三行的范围
  • 从 0800-FFFF
  • 所以三个字节
• 如下图套入模板

• 具体存储的状态呢？

具体字节状态

• :%!xxd

• 说明我们用的确实是utf-8编码
• 可以解码回来吗？

• utf-8 解码 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 依然是 换行LineFeed
    • 或者叫做 NL(NewLine)

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这个编号
• 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
  • 可以落实到字节里

• 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
  • 把字节还原为序号

• 第二次解码

  • 把 unicode 解码为汉字
  • 具体就是把 0x4e00 解码为 一
  • 找到序号对应的字符

• 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"是几个字节的类型呢？

字节序列类

• 前缀 b 表示 byte 字节
  • 后面的是 bytes类型对应的 字节序列

• \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

• 这一个字符就对应三个字节
  • 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序列的长度

• ascii[0,127] 字符 的长度
  • 就是字节的长度
• 汉字呢？

汉字

• 字母a对应着一个字节
  • 汉字一对应着三个字节

• 这个unicode的编码空间
  • 究竟是怎么安排的呢？

排好座次

• 所有unicode字符 被分成了4档
  • ascii
    • 1 字节
  • 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
  • 表情符号emoji😈
  • 各种扩展集

极大扩展

• unicode字符集 开始逐渐流行
  • utf-8所代表的存储编码也开始流行
• 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

字符大战终局

• 关于编码的世界大战

• 分久必合
• 最终的胜利者是unicode和utf-8
• 他们彼此也可以相互转化

相互转化

• unicode形式

  • "\u4e00"

• 把unicode编码按照utf-8编码

  • "\u4e00".encode("utf-8")

• 先把unicode编码为utf-8，再解码回unicode

  • "\u4e00".encode("utf-8").decode("utf-8")

• 把utf-8编码解码回unicode编码

  • b"\xe4\xb8\x80".decode("utf-8")

• 把utf-8编码先解码回unicode编码，再编码为utf-8

  • b"\xe4\xb8\x80".decode("utf-8").encode("utf-8")

• 曾经掌握了 ascii 码和 ascii 字符的转化方法

• 也要掌握 unicode 和 utf-8 双向转化的方法

• 在utf-8下中文编码会节省空间吗？

空间问题

• 中文汉字多
• 信息密度比英文大

• 尤其是长句子

• gb2312系列又如何了呢？

gbk的演化

• 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

• utf-8标准海纳百川
• GB18030用的人很少
  • 但始终依然存在
• GB18030有什么作用呢？😄

乱码问题

• 有的时候还会遇到 gb18030 编码的文档
  • 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

• 为什么会发生乱码呢？

编码不同造成的问题

'你好'.encode("uft-8")

• 两个汉字被编码为六字节

• 如果按gbk方式解码这六个字节
  • 会如何呢？

错误解码

'你好'.encode("uft-8").decode("gbk")

• 解码方式不对
  • 导致不可理解

• gb18030 用的人少
  • 有用的人少的好处
  • 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

• 这次了解了unicode 和 utf-8
  • unicode是字符集
  • 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

• "拜"字

  • unicode编码是0x62dc
  • utf-8字节形式是b"\xe6\x8b\x9c"

• 如果我想看看

  • b"\x62\xdc"用utf-8解码
    • 会得到哪个汉字呢？🤔

• 我们下次再说！👋