2024年5月9日发(作者:毓易槐)
/
iOS开发培训教程浅析NSUTF8StringEncoding
学习iOS的同学在处理字符串里经常要用到NSUTF8StringEncoding,我们一直这样写
却从来不知道NSUTF8StringEncoding到底是什么东东,这是因为你们很幸运,也许你一辈
子都不需要知道NSUTF8StringEncoding是什么。如果不幸有一天你被相关的乱码问题所困
扰,那你可能就需要对其有所了解了。这里Vincent带你简单认识一下
NSUTF8StringEncoding,这里Vincent力求通俗易懂,不追求严谨。
故事得从计算机发明那天开始说起,大家都知道计算机是美国人发明的,而计算机是二
进制的其内部只有0和1。如果只是做一些数学计算也没什么,为了能让计算机做更多的事
情(比如处理文字)总得能把常见用的符号录入计算机吧。所以美国人就想用一定位数的二
进制数表示各种符号。大家知道英文只有26个字母,大小写加起来是52个,再加上0到9
十个数字是62,再加上+-*/及各种见见的标点符号总共也才百才来个字符,用7位二进制
表示就足够了,所以美国人制定了一个字符编码标准ASCII(America Standard Code for
Information Interchange 美国标准信息交换代码)。这对美国人来说基本够用了,事情就
这样定下来了。可是随着时间的推移出问题了,搞数学的人想用计算机处理希腊字母,法国
和意大利等欧洲国家的文字里也有一些特殊符号需要计算机处理。索性就把ASCII从7位扩
展到了8位,一下子表示256个字符了。好在欧州国家的字符比较少,事情解决了。随着计
算机在全世界的普及新的问题又出现了,很多国家都有自己的文字,比如中文成千上万,一
个字节(8位)怎么也不够用了,所以人们就想用两个或者多字节表示一个字符。这一时期
出现了各种编码方式虽然在一定程度上解决了字符(文字)编码问题,但因没有对全世界所
有的文字统一编码也造成了各种问题,那就是乱码。如果你十几年前经常上网的话一定对乱
码印象深刻。
后来unicode出现了,其目的就是对全世界范围内的所有文字统一编码,也有人称其为
万国码。unicode用2个字节表示一个字符,理论上最多能表示65536个字符,这基本上够
用了。为啥说基本够用呢,想一下汉字总共有七八万个,2个字节还是不够,后来unicode
搞了个2字节的附加字符编码解决这一问题。事情到了这里应该皆大欢喜了,但还是有问题。
用2个字节(或4个字节)表示一个字符虽然解决了全世界字符的统一编码问题,但也占用
了更多的存储空间。比如有100个英文字母如果用ASCII表示需要100个字节,如果用
unicode表示则需要200个字节,这种情况在要处理以英文为主的信息时尤其明显。为了解
北京千锋互联科技有限公司 版权所有
/
决这个问题,unicode又出现了各种编码方式,如UTF8(也就是iOS中的
NSUTF8StringEncoding)、UTF16等等。
背景我介绍完了,这里介绍一下UTF8(下边的不是我写的,别人写的挺好我直接拿过
来用了)
参考资料一:
UTF-8最大的一个特点,就是它是一种变长的编码方式。它可以使用1~4个字节表示一
个符号,根据不同的符号而变化字节长度。
UTF-8的编码规则很简单,只有二条:
1)对于单字节的符号,字节的第一位设为0,后面7位为这个符号的unicode码。因
此对于英语字母,UTF-8编码和ASCII码是相同的。
2)对于n字节的符号(n>1),第一个字节的前n位都设为1,第n+1位设为0,后面字
节的前两位一律设为10。剩下的没有提及的二进制位,全部为这个符号的unicode码。
下表总结了编码规则,字母x表示可用编码的位。
Unicode符号范围 | UTF-8编码方式
(十六进制) | (二进制)
--------------------+---------------------------------------------
0000 0000-0000 007F | 0xxxxxxx
0000 0080-0000 07FF | 110xxxxx 10xxxxxx
0000 0800-0000 FFFF | 1110xxxx 10xxxxxx 10xxxxxx
0001 0000-0010 FFFF | 11110xxx 10xxxxxx 10xxxxxx 10xxxxx
下面,还是以汉字“严”为例,演示如何实现UTF-8编码。
已知“严”的unicode是4E25(101),根据上表,可以发现4E25处在第
三行的范围内(0000 0800-0000 FFFF),因此“严”的UTF-8编码需要三个字节,即格式是
“1110xxxx 10xxxxxx 10xxxxxx”。然后,从“严”的最后一个二进制位开始,依次从后向
北京千锋互联科技有限公司 版权所有
/
前填入格式中的x,多出的位补0。这样就得到了,“严”的UTF-8编码是“11100100 10111000
10100101”,这是保存在计算机中的实际数据,转换成十六进制就是E4B8A5,转成十六进
制的目的为了便于阅读。
参考资料二:
最初的unicode编码是固定长度的,16位,也就是2两个字节代表一个字符,这样一
共可以表示65536个字符。显然,这样要表示各种语言中所有的字符是远远不够的。
Unicode4.0规范考虑到了这种情况,定义了一组附加字符编码,附加字符编码采用2个16
位来表示,这样最多可以定义1048576个附加字符,目前unicode4.0只定义了45960个附
加字符。
Unicode只是一个编码规范,目前实际实现的unicode编码只要有三种:UTF-8,UCS-2
和UTF-16,三种unicode字符集之间可以按照规范进行转换。
UTF-8
UTF-8是一种8位的unicode字符集,编码长度是可变的,并且是ASCII字符集的严格
超集,也就是说ASCII中每个字符的编码在UTF-8中是完全一样的。UTF-8字符集中,一个
字符可能是1个字节,2个字节,3个字节或者4个字节长。一般来说,欧洲的字母字符长
度为1到2个字节,而亚洲的大部分字符则是3个字节,附加字符为4个字节长。
Unix平台中普遍支持UTF-8字符集,HTML和大多数浏览器也支持UTF-8,而window和
java则支持UCS-2。
UTF-8的主要优点:
对于欧洲字母字符需要较少的存储空间。
容易从ASCII字符集向UTF-8迁移。
UCS-2
UCS-2是固定长度为16位的unicode字符集。每个字符都是2个字节,UCS-2只支持
unicode3.0,所以不支持附加字符。
UCS-2的优点:
北京千锋互联科技有限公司 版权所有
/
对于亚洲字符的存储空间需求比UTF-8少,因为每个字符都是2个字节。
处理字符的速度比UTF-8更快,因为是固定长度编码的。
对于windows和java的支持更好。
UTF-16
UTF-16也是一种16位编码的字符集。实际上,UTF-16就是UCS-2加上附加字符的支持,
也就是符合unicode4.0规范的UCS-2。所以UTF-16是UCS-2的严格超集。
UTF-16中的字符,要么是2个字节,要么是4个字节表示的。UTF-16主要在windows2000
以上版本使用。
UTF-16相对UTF-8的优点,和UCS-2是一致的。
后记:
iOS开发中的unichar就是unicode编码的字符,占2字节。
北京千锋互联科技有限公司 版权所有
2024年5月9日发(作者:毓易槐)
/
iOS开发培训教程浅析NSUTF8StringEncoding
学习iOS的同学在处理字符串里经常要用到NSUTF8StringEncoding,我们一直这样写
却从来不知道NSUTF8StringEncoding到底是什么东东,这是因为你们很幸运,也许你一辈
子都不需要知道NSUTF8StringEncoding是什么。如果不幸有一天你被相关的乱码问题所困
扰,那你可能就需要对其有所了解了。这里Vincent带你简单认识一下
NSUTF8StringEncoding,这里Vincent力求通俗易懂,不追求严谨。
故事得从计算机发明那天开始说起,大家都知道计算机是美国人发明的,而计算机是二
进制的其内部只有0和1。如果只是做一些数学计算也没什么,为了能让计算机做更多的事
情(比如处理文字)总得能把常见用的符号录入计算机吧。所以美国人就想用一定位数的二
进制数表示各种符号。大家知道英文只有26个字母,大小写加起来是52个,再加上0到9
十个数字是62,再加上+-*/及各种见见的标点符号总共也才百才来个字符,用7位二进制
表示就足够了,所以美国人制定了一个字符编码标准ASCII(America Standard Code for
Information Interchange 美国标准信息交换代码)。这对美国人来说基本够用了,事情就
这样定下来了。可是随着时间的推移出问题了,搞数学的人想用计算机处理希腊字母,法国
和意大利等欧洲国家的文字里也有一些特殊符号需要计算机处理。索性就把ASCII从7位扩
展到了8位,一下子表示256个字符了。好在欧州国家的字符比较少,事情解决了。随着计
算机在全世界的普及新的问题又出现了,很多国家都有自己的文字,比如中文成千上万,一
个字节(8位)怎么也不够用了,所以人们就想用两个或者多字节表示一个字符。这一时期
出现了各种编码方式虽然在一定程度上解决了字符(文字)编码问题,但因没有对全世界所
有的文字统一编码也造成了各种问题,那就是乱码。如果你十几年前经常上网的话一定对乱
码印象深刻。
后来unicode出现了,其目的就是对全世界范围内的所有文字统一编码,也有人称其为
万国码。unicode用2个字节表示一个字符,理论上最多能表示65536个字符,这基本上够
用了。为啥说基本够用呢,想一下汉字总共有七八万个,2个字节还是不够,后来unicode
搞了个2字节的附加字符编码解决这一问题。事情到了这里应该皆大欢喜了,但还是有问题。
用2个字节(或4个字节)表示一个字符虽然解决了全世界字符的统一编码问题,但也占用
了更多的存储空间。比如有100个英文字母如果用ASCII表示需要100个字节,如果用
unicode表示则需要200个字节,这种情况在要处理以英文为主的信息时尤其明显。为了解
北京千锋互联科技有限公司 版权所有
/
决这个问题,unicode又出现了各种编码方式,如UTF8(也就是iOS中的
NSUTF8StringEncoding)、UTF16等等。
背景我介绍完了,这里介绍一下UTF8(下边的不是我写的,别人写的挺好我直接拿过
来用了)
参考资料一:
UTF-8最大的一个特点,就是它是一种变长的编码方式。它可以使用1~4个字节表示一
个符号,根据不同的符号而变化字节长度。
UTF-8的编码规则很简单,只有二条:
1)对于单字节的符号,字节的第一位设为0,后面7位为这个符号的unicode码。因
此对于英语字母,UTF-8编码和ASCII码是相同的。
2)对于n字节的符号(n>1),第一个字节的前n位都设为1,第n+1位设为0,后面字
节的前两位一律设为10。剩下的没有提及的二进制位,全部为这个符号的unicode码。
下表总结了编码规则,字母x表示可用编码的位。
Unicode符号范围 | UTF-8编码方式
(十六进制) | (二进制)
--------------------+---------------------------------------------
0000 0000-0000 007F | 0xxxxxxx
0000 0080-0000 07FF | 110xxxxx 10xxxxxx
0000 0800-0000 FFFF | 1110xxxx 10xxxxxx 10xxxxxx
0001 0000-0010 FFFF | 11110xxx 10xxxxxx 10xxxxxx 10xxxxx
下面,还是以汉字“严”为例,演示如何实现UTF-8编码。
已知“严”的unicode是4E25(101),根据上表,可以发现4E25处在第
三行的范围内(0000 0800-0000 FFFF),因此“严”的UTF-8编码需要三个字节,即格式是
“1110xxxx 10xxxxxx 10xxxxxx”。然后,从“严”的最后一个二进制位开始,依次从后向
北京千锋互联科技有限公司 版权所有
/
前填入格式中的x,多出的位补0。这样就得到了,“严”的UTF-8编码是“11100100 10111000
10100101”,这是保存在计算机中的实际数据,转换成十六进制就是E4B8A5,转成十六进
制的目的为了便于阅读。
参考资料二:
最初的unicode编码是固定长度的,16位,也就是2两个字节代表一个字符,这样一
共可以表示65536个字符。显然,这样要表示各种语言中所有的字符是远远不够的。
Unicode4.0规范考虑到了这种情况,定义了一组附加字符编码,附加字符编码采用2个16
位来表示,这样最多可以定义1048576个附加字符,目前unicode4.0只定义了45960个附
加字符。
Unicode只是一个编码规范,目前实际实现的unicode编码只要有三种:UTF-8,UCS-2
和UTF-16,三种unicode字符集之间可以按照规范进行转换。
UTF-8
UTF-8是一种8位的unicode字符集,编码长度是可变的,并且是ASCII字符集的严格
超集,也就是说ASCII中每个字符的编码在UTF-8中是完全一样的。UTF-8字符集中,一个
字符可能是1个字节,2个字节,3个字节或者4个字节长。一般来说,欧洲的字母字符长
度为1到2个字节,而亚洲的大部分字符则是3个字节,附加字符为4个字节长。
Unix平台中普遍支持UTF-8字符集,HTML和大多数浏览器也支持UTF-8,而window和
java则支持UCS-2。
UTF-8的主要优点:
对于欧洲字母字符需要较少的存储空间。
容易从ASCII字符集向UTF-8迁移。
UCS-2
UCS-2是固定长度为16位的unicode字符集。每个字符都是2个字节,UCS-2只支持
unicode3.0,所以不支持附加字符。
UCS-2的优点:
北京千锋互联科技有限公司 版权所有
/
对于亚洲字符的存储空间需求比UTF-8少,因为每个字符都是2个字节。
处理字符的速度比UTF-8更快,因为是固定长度编码的。
对于windows和java的支持更好。
UTF-16
UTF-16也是一种16位编码的字符集。实际上,UTF-16就是UCS-2加上附加字符的支持,
也就是符合unicode4.0规范的UCS-2。所以UTF-16是UCS-2的严格超集。
UTF-16中的字符,要么是2个字节,要么是4个字节表示的。UTF-16主要在windows2000
以上版本使用。
UTF-16相对UTF-8的优点,和UCS-2是一致的。
后记:
iOS开发中的unichar就是unicode编码的字符,占2字节。
北京千锋互联科技有限公司 版权所有