要把 UTF-8 說清楚，引入一個表會更方便了:

U-00000000 – U-0000007F: 0xxxxxxx
U-00000080 – U-000007FF: 110xxxxx 10xxxxxx
U-00000800 – U-0000FFFF: 1110xxxx 10xxxxxx 10xxxxxx
U-00010000 – U-001FFFFF: 11110xxx 10xxxxxx 10xxxxxx 10xxxxxx
U-00200000 – U-03FFFFFF: 111110xx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx
U-04000000 – U-7FFFFFFF: 1111110x 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx

要看懂這個表呢，我們看前兩行就夠了

U-00000000 – U-0000007F:
0xxxxxxx 第一行是這樣的，意思是說，如果你發(fā)現(xiàn)一個utf-8編碼的 byte 的二進制碼是0xxxxxxx，是0開頭的， 即十進制的0-127之間，那么他就是單獨的這一 byte 代表一個字符，而且是擁有和 ascii 碼完全一樣的含義。其他所有的 utf8 編碼的二進制值都是用1開頭的1xxxxxxx，大于127的，而且都需要至少2 bytes才能代表一個符號。所以一個字節(jié)的第一位是一個開關(guān)，代表這個字符是不是一個 ascii 碼。這個就是剛才談到的兼容性，從英文定義上看，就是utf8編碼的兩個屬性：

UCS characters U+0000 to U+007F (ASCII) are encoded simply as bytes 0×00 to 0×7F (ASCII compatibility). This means that files and strings which contain only 7-bit ASCII characters have the same encoding under both ASCII and UTF-8.
All UCS characters >U+007F are encoded as a sequence of several bytes, each of which has the most significant bit set. Therefore, no ASCII byte (0×00-0×7F) can appear as part of any other character.

然后我們看看第二行：

U-00000080 – U-000007FF: 110xxxxx 10xxxxxx
先看第一個字節(jié)：110xxxxx，它的含義是，我不是一個 ascii 碼（因為第一位不為0），我是一個多 bytes 字符的第一個 byte （第二位為1），我參與表示的這個字符是由2個 bytes 組成的（第三位為0），從第四位開始，就是字符的信息儲存的位置。
再看第二個字節(jié)：10xxxxxx，它的含義是：我不是一個 ascii 碼（因為第一位不為0），我不是一個多 bytes 字符的第一個 byte （第二位為0），第三位開始是字符的信息儲存的位置。

從這個例子中可以總結(jié)出來，utf-8編碼方式中，在一長串連續(xù)的二進制 byte 碼中，可能由2個至6個 bytes 來表示一個符號，那么相比較于用一個 byte 表示符號的 ascii 碼，我們需要空間來儲存兩個額外信息： 一，這個符號開始位置，一個“starter”的位置，用生物學(xué)上的話來說，就是蛋白質(zhì)翻譯時候起始密碼子AUG的位置了；二，這個符號使用的 bytes 數(shù)（其實如果每個符號都有 starter，這個長度是可以不提供的，但是提供長度信息增加了在部分 bytes 丟失時的容錯能力）。解決方案是：用一個 byte 的第二位是否是1來代表這一 byte 是否是一個字符的起始 byte （因為一個 byte 里面的第一位剛才已經(jīng)被使用了，0表示ascii碼，1表示非ascii )，即，一個多字節(jié)符號的第一 個bytes一定是 11xxxxxx，一個192到255之間的二進制數(shù)。接下來，從第三位開始，提供長度信息，第三位是0表示這個符號是2字節(jié)的，第三位開始每多一個1，字符占用的 bytes 數(shù)加一。utf-8 最多定義到了 6 字節(jié)字符，需要比 110xxxxx 這樣的表示2字節(jié)的starter多 4 個 1，所以這個starter就是 1111110x，如上表所示。
再看看英文定義的標(biāo)準(zhǔn)吧，表達的同樣的意思：

The first byte of a multibyte sequence that represents a non-ASCII character is always in the range 0xC0 to 0xFD and it indicates how many bytes follow for this character. All further bytes in a multibyte sequence are in the range 0×80 to 0xBF. This allows easy resynchronization and makes the encoding stateless and robust against missing bytes.

真正的信息位（即，真正的charset字符集中的數(shù)字信息），是直接用二進制的方式，依順序放在上面這個表的'x'上的。用我們中國程序員接觸最多的漢字來說吧，它們的編碼區(qū)間是在 U-00000800 – U-0000FFFF 之間的，從上面的表中可以查到，這個區(qū)間的 utf-8 編碼是用三個字節(jié)來表示的（這就是 utf-8 編碼的漢字會比每個字符占用2 bytes的 EUC-CN 編碼的 gb2312 字符集的漢字使用更多儲存空間的原因），還是用 口碑的”口”字舉例吧，口字在 Unicode 中的編號是這樣的：
口: 21475 == 0×53e3 == 二進制 101001111100011

在 javascript 中，run這段代碼（使用 firebug 的 console，或者編輯一個HTML將下列代碼插入一對 script 標(biāo)簽之間）：

alert('\u53e3′); //get ‘口'
alert(escape('口')); // get ‘%u53E3′
alert(String.fromCharCode('21475′)); // get ‘口'
alert('口'.charCodeAt(0)); // get '21475‘
alert(encodeURI('口')); //get ‘%E5%8F%A3′

可以看到，string直接量可以用\u+十六進制 Unicode 碼的形式得到字符 ‘口'，而fromCharCode 方法接受 10 進制的 Unicode 碼，得到字符 ‘口'。

其中第二個alert得到的是 ‘%u7545′ , 這是一種不標(biāo)準(zhǔn)的Unicode編碼，是屬于 URI 的 Percent encoding 一部分，但這種使用方法已經(jīng)正式被 W3C 拒絕了，任何一個 RFC中都沒有這個標(biāo)準(zhǔn)，ECMA-262 標(biāo)準(zhǔn)中規(guī)定了 escape 的這種行為，估計也是暫時的。
比較有意思的是第五次alert得到的 ‘%E5%8F%A3′ 這是什么呢？怎么得到的呢？

這就是在URI上用的比較多的 Percent encoding，百分號編碼，RFC 3986 標(biāo)準(zhǔn)中規(guī)定的。

最新評論