談?wù)刾hp中的unicode和utf8編碼
本文給大家深入討論了unicode和utf8這兩種編碼的關(guān)系，理解好了會(huì)發(fā)現(xiàn)網(wǎng)上一些舊的東西，是嚴(yán)重多余兼過(guò)期的，因?yàn)閺膗tf-8流行開(kāi)始到現(xiàn)在，早已經(jīng)由原來(lái)六字節(jié)可變編碼到實(shí)際完全居于unicode(UCS-2)的穩(wěn)定階段。
重新認(rèn)識(shí)unicode和utf8編碼
直到今天，準(zhǔn)確的說(shuō)是剛才，我才知道UTF-8編碼和Unicode編碼是不一樣的，是有區(qū)別的囧
他們之間是有一定的聯(lián)系的，看看他們的區(qū)別：
UTF-8的長(zhǎng)度是不一定的，有可能是1、2、3字節(jié)
Unicode長(zhǎng)度一定，2個(gè)字節(jié)（USC-2）
UTF-8可以和Unicode互相轉(zhuǎn)換
unicode和utf8的關(guān)系
Unicode(16進(jìn)制)
UTF-8(二進(jìn)制)
0000 - 007F 0xxxxxxx
0080 - 07FF 110xxxxx 10xxxxxx
0800 - FFFF 1110xxxx 10xxxxxx 10xxxxxx
上面的表格有2個(gè)意思，第一個(gè)顯而易見(jiàn)就是說(shuō)Unicode和UTF-8字符范圍的對(duì)應(yīng)，還有一個(gè)可以看出Unicode怎么和UTF-8互相轉(zhuǎn)換：
先說(shuō)UTF-8到Unicode的轉(zhuǎn)換
UTF-8編碼的二進(jìn)制和上面的3種格式進(jìn)行匹配，匹配到之后去掉固定位（表格中的非x位置），然后從右到左每8位一組，不夠8位左邊不領(lǐng)，湊夠2個(gè)字節(jié)16 bits，這16 bits所表示的就是UTF-8對(duì)應(yīng)的Unicode編碼，看看下面幾個(gè)例子：
上面圖片中的文字編碼格式為UTF-8，可以用WinHex看到其16進(jìn)制表示
復(fù)制代碼 代碼如下:
字符 => UTF-8 => UTF-8二進(jìn)制=> 去掉固定位置湊夠16位的二進(jìn)制 => 16進(jìn)制
漢 => E6B189 => 11100110 10110001 10001001 => 01101100 01001001 => 6C49
字 => E5AD97 => 11100101 10101101 10010111 => 01011011 01010111 => 5B57
#下面是在chrome命令行下面運(yùn)行的結(jié)果
'\u6C49'
"漢"
'\u5B57'
"字"
#到這里的話，從UTF-8轉(zhuǎn)換到Unicode已經(jīng)是一件非常容易的事了，看看轉(zhuǎn)換的偽代碼
讀取一個(gè)字節(jié)，11100110
判斷該UTF-8字符的格式，屬于第三種，3個(gè)字節(jié)
繼續(xù)讀取2個(gè)字節(jié)得到 11100101 10101101 10010111
按照格式去掉固定位 1011011 01010111
不夠16位，左邊補(bǔ)零 01011011 01010111 => 5B57
再看看從Unicode到UTF-8的轉(zhuǎn)換
復(fù)制代碼 代碼如下:
5B57
獲取5B57所在的Unicode范圍，0800 <= 5B57 <= FFFF，得知5B57的UTF-8有三個(gè)字節(jié)，形式為1110xxxx 10xxxxxx 10xxxxxx
獲取5B57的二進(jìn)制編碼 101101101010111
用上一步驟的二進(jìn)制編碼從右至左拼接UTF-8編碼 11100101 10101101 10010111
說(shuō)說(shuō)問(wèn)題
再說(shuō)說(shuō)今天這個(gè)問(wèn)題的起因，從前端輸入很多單詞，UTF-8格式每個(gè)詞最多30個(gè)字節(jié)，因此會(huì)在前端和后臺(tái)分別做驗(yàn)證，javascript用的是Unicode編碼，后端程序用的是UTF-8編碼，現(xiàn)在的解決辦法是這樣
前端
?
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
function utf8_bytes(str)
{
var len = 0, unicode;
for(var i = 0; i < str.length; i++)
{
unicode = str.charCodeAt(i);
if(unicode < 0x0080) {
++len;
} else if(unicode < 0x0800) {
len += 2;
} else if(unicode <= 0xFFFF) {
len += 3;
}else {
throw "characters must be USC-2!!"
}
}
return len;
}
#例子
utf8_bytes('asdasdas')
8
utf8_bytes('yrt燕睿濤')
12
后臺(tái)
?
1
2
3
4
#對(duì)于GBK字符串
$len = ceil(strlen(bin2hex(iconv('GBK', 'UTF-8', $word)))/2);
#對(duì)于UTF8字符串
$len = ceil(strlen(bin2hex($word))/2);
以上所述就是本文的全部?jī)?nèi)容了，希望大家能夠喜歡。
【談?wù)刾hp中的unicode和utf8編碼】相關(guān)文章：
淺析PHP中的UNICODE編碼與解碼12-23
ASCII編碼和Unicode編碼11-28
ASCII編碼與Unicode編碼02-05
PHP如何實(shí)現(xiàn)Unicode和Utf-8編碼相互轉(zhuǎn)換11-04
C語(yǔ)言：ASCII編碼與Unicode編碼09-30
php制作unicode解碼工具12-17
php讀取和保存base64編碼圖片10-06