精华内容
下载资源
问答
  • UTF7 编码及解码工具

    热门讨论 2011-04-24 20:20:54
    UTF7 编码及解码工具 用于XSS方面
  • UTF-7编码

    千次阅读 2016-11-27 13:17:41
    目 录 1 编码 1 2 编码代码(C++) 2 3 解码代码(C++) 4 4 测试代码(VC++) 7 ... 1 编码 ... UTF-7编码的规则及特点为: ... 2)UTF16大于0x7F的字符,采用Base64编码,然后在首尾分别加上+

     

    1 编码    1

    2 编码代码(C++    2

    3 解码代码(C++    4

    4 测试代码(VC++    7

     

     

    1 编码

    UTF-7编码的规则及特点为:

    1UTF16小于等于 0x7F 的字符,采用ASCII编码;

    2UTF16大于0x7F的字符,采用Base64编码,然后在首尾分别加上+-

    3UTF-7编码后,所有字符均小于等于 0x7F

    如字符串"A编码示例bC+123"的UTF-7编码为字符串"A+fxZ4AXk6T4s-bC+-123"。"+fxZ4AXk6T4s-"中的fxZ4AXk6T4s是"编码示例"的Base64编码;"+-"表示字符+;其余的保持不变。

    以"编"为例,对Base64编码进行说明:

    内容

    字符串

    7F 16

    UTF-16编码,高字节在前,16进制

    0111 1111 0001 0110

    UTF-16编码,高字节在前,2进制

    011111 110001 011000

    分组,6位一组,末尾补两个0

    31 49 24

    10进制

    f x Y

    根据10进制查下面的Base64编码表

    下表是Base64编码表。

    个位

    十位

    0

    1

    2

    3

    4

    5

    6

    7

    8

    9

    0

    A

    B

    C

    D

    E

    F

    G

    H

    I

    J

    1

    K

    L

    M

    N

    O

    P

    Q

    R

    S

    T

    2

    U

    V

    W

    X

    Y

    Z

    a

    b

    c

    d

    3

    e

    f

    g

    h

    i

    j

    k

    l

    m

    n

    4

    o

    p

    q

    r

    s

    t

    u

    v

    w

    x

    5

    y

    z

    0

    1

    2

    3

    4

    5

    6

    7

    6

    8

    9

    +

    /

          

    上面"编"的Base64编码是"fxY",为什么"编码示例"的Base64编码是"fxZ4AXk6T4s"呢?因为fxZ中的Z既包含了"编"的编码信息,又包含了"码"的编码信息。这是UTF-7编码最复杂的地方。

    2 编码代码(C++

    //Base64 编码字符串

    const static char* s_Base64Table = "ABCDEFGHIJKLMNOPQRSTUVWXYZabcdefghijklmnopqrstuvwxyz0123456789+/";

     

    static void UTF16to7(std::string&s7,int&n,unsigned short code[8])

    {

    switch(n)

    {

    case 1://连续 1 个字符大于 7F

    n = 3; //3 code[]

    break;

    case 2://连续 2 个字符大于 7F

    n = 6; //6 code[]

    break;

    case 3://连续 3 个字符大于 7F

    n = 8; //8 code[]

    break;

    default:

    n = 0;

    }

    if(n)

    {

    for(int i = 0;i < n;++i)

    {

    s7 += s_Base64Table[code[i]];

    }

    n = 0;

    }

    }

     

    /***************************************************************\

    UTF-16 字符串转换为 UTF-7 字符串

    pUTF16 [in] UTF-16 字符串首地址

    nBytes [in] UTF-16 字符串字节数,即字符数 * 2

    bLE [in] UTF-16 是否低位字节在前

    返回:UTF-7 字符串

    \***************************************************************/

    std::string UTF16toUTF7(const void*pUTF16,unsigned long nBytes,bool bLE)

    {

    std::string s7;

    if(pUTF16 && nBytes >= 2)

    {

    unsigned char* p16 = (unsigned char*)pUTF16;

    unsigned short u16 = 0;

    bool bCode = false; //是否正在编码

    //编码的第几个字符 123123……

    int n = 0;

    unsigned short code[8]; //编码的内容暂时存入此数组

     

    for(unsigned long i = 1;i < nBytes;i += 2)

    {

    //计算当前字符 u16

    if(bLE)

    {//低位字节在前

    u16 = p16[i - 1] | (p16[i] << 8);

    }

    else

    {//高位字节在前

    u16 = (p16[i - 1] << 8) | p16[i];

    }

    if(u16 <= 0x7F)

    {//当前字符小于等于 7F

    if(bCode)

    {

    if(n)

    {

    UTF16to7(s7,n,code);

    }

    s7 += '-';

    bCode = false; //标记未在编码

    }

    s7 += (char)u16;

    if(u16 == '+')

    {

    s7 += '-';

    }

    }

    else

    {//当前字符大于 7F

    switch(++n)

    {

    case 1: //连续 1 个字符大于 7F

    if(!bCode)

    {//编码的第一个字符

    s7 += '+';

    }

    code[0] = u16 >> 10;

    code[1] = (u16 >> 4) & 63;

    code[2] = (u16 << 2) & 63;

    break;

    case 2: //连续 2 个字符大于 7F

    code[2] |= u16 >> 14;

    code[3] = (u16 >> 8) & 63;

    code[4] = (u16 >> 2) & 63;

    code[5] = (u16 << 4) & 63;

    break;

    case 3: //连续 3 个字符大于 7F

    code[5] |= u16 >> 12;

    code[6] = (u16 >> 6) & 63;

    code[7] = u16 & 63;

    //每编码 3 个字符,将 code[8] 的内容加入 s7。同时 n 重新计数

    UTF16to7(s7,n,code);

    break;

    }

    bCode = true; //标记正在编码

    }

    }

    if(bCode)

    {

    if(n)

    {

    UTF16to7(s7,n,code);

    }

    s7 += '-';

    }

    }

    return s7;

    }

    3 解码代码(C++

    //判断某个字符是否为 Base64 编码,出错返回 0xFF

    static char IsBase64Char(char c)

    {

    if(c)

    {

    const char*pFind = strchr(s_Base64Table,c);

    if(pFind)

    {

    return pFind - s_Base64Table;

    }

    }

    return '\xFF';

    }

     

    static void UTF7to16(std::string&s16,unsigned short c,bool bLE)

    {

    if(bLE)

    {//低位字节在前

    s16 += (char)c;

    s16 += (char)(c >> 8);

    }

    else

    {//高位字节在前

    s16 += (char)(c >> 8);

    s16 += (char)c;

    }

    }

     

    /***************************************************************\

    UTF-7 字符串转换为 UTF-16 字符串

    pUTF7 [in] UTF-7 字符串首地址

    nBytes [in] UTF-7 字符串字节数,即字符数 * 2

    bLE [in] UTF-16 是否低位字节在前

    返回:UTF-16 字符串

    \***************************************************************/

    std::string UTF7toUTF16(const void*pUTF7

    ,unsigned long nBytes,bool bLE)

    {

    std::string s16;

    if(pUTF7 && nBytes)

    {

    unsigned char* p7 = (unsigned char*)pUTF7;

    bool bCode = false; //是否正在解码状态

    int n = 0; //解码的第几个字符,[0,7] 循环

    unsigned short code[8]; //解码的结果暂时存入该数组

     

    for(unsigned long i = 0;i < nBytes;++i)

    {

    if(bCode)

    {//正在解码状态

    if(p7[i] == '-')

    {//停止解码

    if(p7[i - 1] == '+')

    {

    UTF7to16(s16,'+',bLE);

    }

    bCode = false;

    }

    else

    {

    code[n] = IsBase64Char(p7[i]);

    if(code[n] != 0xFF)

    {

    switch(++n)

    {

    case 3://1个字符

    UTF7to16(s16

    ,(code[0] << 10) | (code[1] << 4) | (code[2] >> 2),bLE);

    break;

    case 6://2个字符

    UTF7to16(s16

    ,(code[2] << 14) | (code[3] << 8) | (code[4] << 2) | (code[5] >> 4)

    ,bLE);

    break;

    case 8://3个字符

    UTF7to16(s16

    ,(code[5] << 12) | (code[6] << 6) | code[7],bLE);

    n = 0;

    break;

    }

    }

    }

    }

    else

    {//不在解码状态

    if(p7[i] == '+')

    {//当前字符为 +

    n = 0;

    bCode = true; //标记处于解码状态

    }

    else

    {

    UTF7to16(s16,p7[i],bLE);

    }

    }

    }

    }

    return s16;

    }

    4 测试代码(VC++

    const wchar_t* pUTF16LE = L"A编码示例bC+123";

    //UTF16LE 转换为 UTF7,应返回A+fxZ4AXk6T4s-bC+-123

    std::string sUTF7 = UTF16toUTF7(pUTF16LE,wcslen(pUTF16LE) * 2);

    //UTF7 转换为 UTF16LE

    std::string sUTF16LE = UTF7toUTF16(sUTF7.c_str(),sUTF7.length());

    sUTF16LE += '\0'; //末尾添加一个 \0

    //pUTF16LE 所指向的宽字符串,应该是"A编码示例bC+123"

    pUTF16LE = (const wchar_t*)sUTF16LE.c_str();

     

    展开全文
  • UTF-8编码规则

    万次阅读 多人点赞 2019-04-25 10:10:40
    UTF-8编码规则(转) 2018年08月08日 00:24:18 机器猫的世界 阅读数:1463 ...

    UTF-8编码规则(转)

         UTF-8是Unicode的一种实现方式,也就是它的字节结构有特殊要求,所以我们说一个汉字的范围是0X4E00到0x9FA5,是指unicode值,至于放在utf-8的编码里去就是由三个字节来组织,所以可以看出unicode是给出一个字符的范围,定义了这个字是码值是多少,至于具体的实现方式可以有多种多样来实现。
     

    UTF-8是一种变长字节编码方式。对于某一个字符的UTF-8编码,如果只有一个字节则其最高二进制位为0;如果是多字节,其第一个字节从最高位开始,连续的二进制位值为1的个数决定了其编码的位数,其余各字节均以10开头。UTF-8最多可用到6个字节。 
    如表: 
    1字节 0xxxxxxx 
    2字节 110xxxxx 10xxxxxx 
    3字节 1110xxxx 10xxxxxx 10xxxxxx 
    4字节 11110xxx 10xxxxxx 10xxxxxx 10xxxxxx 
    5字节 111110xx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx 
    6字节 1111110x 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx 
    因此UTF-8中可以用来表示字符编码的实际位数最多有31位,即上表中x所表示的位。除去那些控制位(每字节开头的10等),这些x表示的位与UNICODE编码是一一对应的,位高低顺序也相同。 
    实际将UNICODE转换为UTF-8编码时应先去除高位0,然后根据所剩编码的位数决定所需最小的UTF-8编码位数。 
    因此那些基本ASCII字符集中的字符(UNICODE兼容ASCII)只需要一个字节的UTF-8编码(7个二进制位)便可以表示。 

    对于上面的问题,代码中给出的两个字节是 
    十六进制:C0 B1 
    二进制:11000000 10110001 
    对比两个字节编码的表示方式: 
    110xxxxx 10xxxxxx 
    提取出对应的UNICODE编码: 
    00000 110001 
    可以看出此编码并非“标准”的UTF-8编码,因为其第一个字节的“有效编码”全为0,去除高位0后的编码仅有6位。由前面所述,此字符仅用一个字节的UTF-8编码表示就够了。 
    JAVA在把字符还原为UTF-8编码时,是按照“标准”的方式处理的,因此我们得到的是仅有1个字节的编码。 

     

    字符编码笔记:ASCII,Unicode和UTF-8

     

    今天中午,我突然想搞清楚Unicode和UTF-8之间的关系,于是就开始在网上查资料。

    结果,这个问题比我想象的复杂,从午饭后一直看到晚上9点,才算初步搞清楚。

    下面就是我的笔记,主要用来整理自己的思路。但是,我尽量试图写得通俗易懂,希望能对其他朋友有用。毕竟,字符编码是计算机技术的基石,想要熟练使用计算机,就必须懂得一点字符编码的知识。

    1. ASCII码

    我们知道,在计算机内部,所有的信息最终都表示为一个二进制的字符串。每一个二进制位(bit)有0和1两种状态,因此八个二进制位就可以组合出256种状态,这被称为一个字节(byte)。也就是说,一个字节一共可以用来表示256种不同的状态,每一个状态对应一个符号,就是256个符号,从0000000到11111111。

    上个世纪60年代,美国制定了一套字符编码,对英语字符与二进制位之间的关系,做了统一规定。这被称为ASCII码,一直沿用至今。

    ASCII码一共规定了128个字符的编码,比如空格“SPACE”是32(二进制00100000),大写的字母A是65(二进制01000001)。这128个符号(包括32个不能打印出来的控制符号),只占用了一个字节的后面7位,最前面的1位统一规定为0。

    2、非ASCII编码

    英语用128个符号编码就够了,但是用来表示其他语言,128个符号是不够的。比如,在法语中,字母上方有注音符号,它就无法用ASCII码表示。于是,一些欧洲国家就决定,利用字节中闲置的最高位编入新的符号。比如,法语中的é的编码为130(二进制10000010)。这样一来,这些欧洲国家使用的编码体系,可以表示最多256个符号。

    但是,这里又出现了新的问题。不同的国家有不同的字母,因此,哪怕它们都使用256个符号的编码方式,代表的字母却不一样。比如,130在法语编码中代表了é,在希伯来语编码中却代表了字母Gimel (ג),在俄语编码中又会代表另一个符号。但是不管怎样,所有这些编码方式中,0—127表示的符号是一样的,不一样的只是128—255的这一段。

    至于亚洲国家的文字,使用的符号就更多了,汉字就多达10万左右。一个字节只能表示256种符号,肯定是不够的,就必须使用多个字节表达一个符号。比如,简体中文常见的编码方式是GB2312,使用两个字节表示一个汉字,所以理论上最多可以表示256x256=65536个符号。

    中文编码的问题需要专文讨论,这篇笔记不涉及。这里只指出,虽然都是用多个字节表示一个符号,但是GB类的汉字编码与后文的Unicode和UTF-8是毫无关系的。

    3.Unicode

    正如上一节所说,世界上存在着多种编码方式,同一个二进制数字可以被解释成不同的符号。因此,要想打开一个文本文件,就必须知道它的编码方式,否则用错误的编码方式解读,就会出现乱码。为什么电子邮件常常出现乱码?就是因为发信人和收信人使用的编码方式不一样。

    可以想象,如果有一种编码,将世界上所有的符号都纳入其中。每一个符号都给予一个独一无二的编码,那么乱码问题就会消失。这就是Unicode,就像它的名字都表示的,这是一种所有符号的编码。

    Unicode当然是一个很大的集合,现在的规模可以容纳100多万个符号。每个符号的编码都不一样,比如,U+0639表示阿拉伯字母Ain,U+0041表示英语的大写字母A,U+4E25表示汉字“严”。具体的符号对应表,可以查询unicode.org,或者专门的汉字对应表

    4. Unicode的问题

    需要注意的是,Unicode只是一个符号集,它只规定了符号的二进制代码,却没有规定这个二进制代码应该如何存储。

    比如,汉字“严”的unicode是十六进制数4E25,转换成二进制数足足有15位(100111000100101),也就是说这个符号的表示至少需要2个字节。表示其他更大的符号,可能需要3个字节或者4个字节,甚至更多。

    这里就有两个严重的问题,第一个问题是,如何才能区别unicode和ascii?计算机怎么知道三个字节表示一个符号,而不是分别表示三个符号呢?第二个问题是,我们已经知道,英文字母只用一个字节表示就够了,如果unicode统一规定,每个符号用三个或四个字节表示,那么每个英文字母前都必然有二到三个字节是0,这对于存储来说是极大的浪费,文本文件的大小会因此大出二三倍,这是无法接受的。

    它们造成的结果是:1)出现了unicode的多种存储方式,也就是说有许多种不同的二进制格式,可以用来表示unicode。2)unicode在很长一段时间内无法推广,直到互联网的出现。

    5.UTF-8

    互联网的普及,强烈要求出现一种统一的编码方式。UTF-8就是在互联网上使用最广的一种unicode的实现方式。其他实现方式还包括UTF-16和UTF-32,不过在互联网上基本不用。重复一遍,这里的关系是,UTF-8是Unicode的实现方式之一。

    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 10xxxxxx

    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(100111000100101),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”,转换成十六进制就是E4B8A5。

    6. Unicode与UTF-8之间的转换

    通过上一节的例子,可以看到“严”的Unicode码是4E25,UTF-8编码是E4B8A5,两者是不一样的。它们之间的转换可以通过程序实现。

    在Windows平台下,有一个最简单的转化方法,就是使用内置的记事本小程序Notepad.exe。打开文件后,点击“文件”菜单中的“另存为”命令,会跳出一个对话框,在最底部有一个“编码”的下拉条。

    bg2007102801.jpg

    里面有四个选项:ANSI,Unicode,Unicode big endian 和 UTF-8。

    1)ANSI是默认的编码方式。对于英文文件是ASCII编码,对于简体中文文件是GB2312编码(只针对Windows简体中文版,如果是繁体中文版会采用Big5码)。

    2)Unicode编码指的是UCS-2编码方式,即直接用两个字节存入字符的Unicode码。这个选项用的little endian格式。

    3)Unicode big endian编码与上一个选项相对应。我在下一节会解释little endian和big endian的涵义。

    4)UTF-8编码,也就是上一节谈到的编码方法。

    选择完”编码方式“后,点击”保存“按钮,文件的编码方式就立刻转换好了。

    7. Little endian和Big endian

    上一节已经提到,Unicode码可以采用UCS-2格式直接存储。以汉字”严“为例,Unicode码是4E25,需要用两个字节存储,一个字节是4E,另一个字节是25。存储的时候,4E在前,25在后,就是Big endian方式;25在前,4E在后,就是Little endian方式。

    这两个古怪的名称来自英国作家斯威夫特的《格列佛游记》。在该书中,小人国里爆发了内战,战争起因是人们争论,吃鸡蛋时究竟是从大头(Big-Endian)敲开还是从小头(Little-Endian)敲开。为了这件事情,前后爆发了六次战争,一个皇帝送了命,另一个皇帝丢了王位。

    因此,第一个字节在前,就是”大头方式“(Big endian),第二个字节在前就是”小头方式“(Little endian)。

    那么很自然的,就会出现一个问题:计算机怎么知道某一个文件到底采用哪一种方式编码?

    Unicode规范中定义,每一个文件的最前面分别加入一个表示编码顺序的字符,这个字符的名字叫做”零宽度非换行空格“(ZERO WIDTH NO-BREAK SPACE),用FEFF表示。这正好是两个字节,而且FF比FE大1。

    如果一个文本文件的头两个字节是FE FF,就表示该文件采用大头方式;如果头两个字节是FF FE,就表示该文件采用小头方式。

    8. 实例

    下面,举一个实例。

    打开”记事本“程序Notepad.exe,新建一个文本文件,内容就是一个”严“字,依次采用ANSI,Unicode,Unicode big endian 和 UTF-8编码方式保存。

    然后,用文本编辑软件UltraEdit中的”十六进制功能“,观察该文件的内部编码方式。

    1)ANSI:文件的编码就是两个字节“D1 CF”,这正是“严”的GB2312编码,这也暗示GB2312是采用大头方式存储的。

    2)Unicode:编码是四个字节“FF FE 25 4E”,其中“FF FE”表明是小头方式存储,真正的编码是4E25。

    3)Unicode big endian:编码是四个字节“FE FF 4E 25”,其中“FE FF”表明是大头方式存储。

    4)UTF-8:编码是六个字节“EF BB BF E4 B8 A5”,前三个字节“EF BB BF”表示这是UTF-8编码,后三个“E4B8A5”就是“严”的具体编码,它的存储顺序与编码顺序是一致的。

    9. 延伸阅读

    The Absolute Minimum Every Software Developer Absolutely, Positively Must Know About Unicode and Character Sets(关于字符集的最基本知识)

    谈谈Unicode编码

    RFC3629:UTF-8, a transformation format of ISO 10646(如果实现UTF-8的规定)

     

    展开全文
  • nginx输出变成utf8编码

    千次阅读 2019-04-10 17:19:20
    如何 nginx输出变成utf8编码 ? 设置如下: location / { default_type 'application/x-javascript;charset=utf-8'; #吧啦吧啦吧啦巴啦啦 } 注意:default_type 多值使用 “;”分割,并且值需使用单引号’'包起来...

    如何 nginx输出变成utf8编码 ?
    设置如下:

    location / {
    	default_type 'application/x-javascript;charset=utf-8';
    	#吧啦吧啦吧啦巴啦啦
    }
    

    注意:default_type 多值使用 “;”分割,并且值需使用单引号’'包起来

    展开全文
  • C++以utf8编码输入中文

    2018-06-18 13:42:14
    用C++的ofstream往utf8编码的文件中写入中文(以utf8编码),当写入英文时文件还是utf8编码,当输入中文后文件就不是utf8编码了,请问如何以utf8编码向文件中输入中文。
  • UTF-16编码详解

    千次阅读 2019-03-18 16:05:48
    首先我们来思考UTF-16的设计思路: 我们知道Unicode的范围为0x0~0x10FFFF 首先是BMP区间,也就是0x0~0xFFFF这段区间,正好16位就可以表示,也兼容,两全其美 那么超过BMP区间的怎么办呢? 也就是0xFFFF~0x10FFFF这段...

    首先我们来思考UTF-16的设计思路:
    我们知道Unicode的范围为0x0~0x10FFFF
    首先是BMP区间,也就是0x0~0xFFFF这段区间,正好16位就可以表示,也兼容,两全其美
    那么超过BMP区间的怎么办呢?
    也就是0xFFFF~0x10FFFF这段,我们先看这段区间有多少个码位,0x10FFFF-0xFFFF=0x100000,那么这个十六进制表示的十进制也就是:1048576个码位
    我们既然16位存不下,那肯定就是32位存咯,这个32能理解为什么不?不理解?是因为计算机只能以2的倍数拓展,如果不这么设计,就没办法解析。长短不一,不符合设计思路
    32位来存这些数字,那么我们需要怎么存下呢,简单的思考过后,大家认为应该分开存储,也就是将32位分开前16位和后16位,每个16位各存一半
    那么每一半存的就是1024(由来:√1048576=1024,也就是1024*1024=1048576),1024代表的是2的10次幂,也就是10位二进制数
    这样就知道了,32位二进制数字中,前后16位中各存10位就够用了,但是剩余的6位用来干什么呢?
    和UTF-8的设计一样,为了让识别字符串变得容易(从文本的任意位置开始,均能区分一个字符的起始),这里是不是有点儿蒙?
    举个栗子:
    假设:
    0000 0001 代表A
    0000 0010 代表B
    0000 0001 ,0000 0001 代表 X
    0000 0010 ,0000 0001 代表Z

    那么 ABXZ就是
    0000 0001 ,0000 0010 , 0000 0001 ,0000 0001 , 0000 0010,0000 0001
    A B X Z
    但是让你从中间开始读取,当你读到X的时候,你不知道他是X还是 AB,这样就很麻烦,你需要设置标志,来让16位的数据的前8或后8不会和单个8位的重复
    可以这样设计:
    0xxx xxxx 代表0~2^7
    11xx xxxx ,10xx xxxx 代表其他的
    这样就能区分开了,当你读到11开头的,就代表他是16位的前8,10开头代表16位的后8

    欧了,有了这个思路,我们就知道怎么设计刚才的那个6位了,当然是通过这6位来区分这16位数字代表的位置
    也就是UTF-16中,表示数据有单16位和双16位(32位)两种,那么我们设计成单16位和32位中的前16位和后16位这三个16位完全不会重复,那么我们就能随时读到一组16位,就能知道他是单16还是前16还是后16
    举个栗子:
    根据上方信息,要求我们通过前6位来区分数据,那么前6位就是2^6=64,也就是开头数字的区间
    我们设定如下:
    54开头的为32位的前16位
    55开头的为32位的后16位
    其他开头的为单16位
    这样我们就能区分开这三个16位了,在读取文档中的任意位置,都能随意区分出间隔咯
    那么54开头的数据区间是多少呢,就是1101 10xx xxxx xxxx,区间就是D800~DBFF
    那么55开头的数据区间是多少呢,就是1101 11xx xxxx xxxx,区间就是DC00~DFFF

    为了配合UTF-16,Unicode中也将这两个区间屏蔽掉,不允许分配任何字符
    下方为比较官方的关于UTF-16的编码详解

    参考文献:
    https://en.wikibooks.org/wiki/Unicode/Character_reference/D000-DFFF


    根据参考文献1中所示,D800~DFFF为专门提供给UTF-16专用,原文如下:

     Unicode range D800–DFFF is used for surrogate pairs in UTF-16 (used by Windows) and CESU-8 transformation formats,
    Unicode范围D800-DFFF用于UTF-16(由Windows使用)和CESU-8转换格式的代理对,

    allowing these encodings to represent the supplementary plane code points, whose values are too large to fit in 16 bits.
    允许这些编码表示辅助平面代码点,其值太大,无法容纳16位。

    A pair of 16-bit code points — the first from the high surrogate area (D800–DBFF),and the second from the low surrogate area (DC00–DFFF) — are combined to form a 32-bit code point from the supplementary planes.
    一对16位代码点 - 第一个来自高代理区域(D800-DBFF),和来自低代理区域(DC00-DFFF)的第二个组合以从辅助平面形成32位代码点。

    Unicode and ISO/IEC 10646 do not assign actual characters to any of the code points in the D800–DFFF range — these code points only have meaning when usedin surrogate pairs.
    Unicode和ISO / IEC 10646不向D800-DFFF范围中的任何代码点分配实际字符 - 这些代码点仅在使用时才有意义在替代对。

    Hence an individual code point from a surrogate pair does not represent a character, is invalid unless used in a surrogate pair, and is unconditionally invalid in UTF-32 and UTF-8 (if strict conformance to the standard is applied).
    因此,来自代理对的单个代码点不表示字符,除非在代理对中使用,否则是无效的,并且是无条件无效的UTF-32和UTF-8(如果严格遵守标准)。


    字符按照UTF-16进行编码的规则是: - 字符的值小于0x10000的用等于该值的16位整数来表示。 - 字符的值介于0x10000和0x10FFFF之间的,用一个值介于0xD800和0xDBFF(在所谓的高8位区)的16位整数和值介于0xDC00和0xDFFF(在所谓的低8位区)的16位整数来表示。 - 字符的值大于0x10FFFF不能按照UTF-16进行编码。注意:在0xD800和0xDFFF间的值是特别为UTF-16预留,所以不应该将任何字符的值指定为这个区间内的数值。

    D800-DB7F    High Surrogates    高位替代    895
    DB80-DBFF    High Private Use Surrogates    高位专用替代    127
    DC00-DFFF    Low Surrogates    低位替代    1023
    高位替代就是指这个范围的码位是两个WORD的UTF-16编码的第一个WORD。低位替代就是指这个范围的码位是两个WORD的UTF-16编码的第二个WORD。那么,高位专用替代是什么意思?我们来解答这个问题,顺便看看怎么由UTF-16编码推导Unicode编码。
    如果一个字符的UTF-16编码的第一个WORD在0xDB80到0xDBFF之间,那么它的Unicode编码在什么范围内?我们知道第二个WORD的取值范围是0xDC00-0xDFFF,所以这个字符的UTF-16编码范围应该是0xDB80 0xDC00到0xDBFF 0xDFFF。我们将这个范围写成二进制:
    1101101110000000 11011100 00000000 - 1101101111111111 1101111111111111
    按照编码的相反步骤,取出高低WORD的后10位,并拼在一起,得到
    1110 0000 0000 0000 0000 - 1111 1111 1111 1111 1111
    即0xe0000-0xfffff,按照编码的相反步骤再加上0x10000,得到0xf0000-0x10ffff。这就是UTF-16编码的第一个WORD在0xdb80到0xdbff之间的Unicode编码范围,即平面15和平面16。因为Unicode标准将平面15和平面16都作为专用区,所以0xDB80到0xDBFF之间的保留码位被称作高位专用替代。
    --------------------- 
    作者:Lobxxx 
    来源:CSDN 
    原文:https://blog.csdn.net/xinbaobaoer/article/details/56290210 
    版权声明:本文为博主原创文章,转载请附上博文链接!

    展开全文
  • 修改win7编码utf-8

    万次阅读 2018-04-29 15:26:42
    双击运行后,在cmd中输入chcp即可看到是65001了,也就是utf-8编码utf-8改为gbk的.reg文件是: Windows Registry Editor Version 5.00 [HKEY_CURRENT_USER\Console\%SystemRoot%_system32_cmd.exe] "Code...
  • UTF8编码

    千次阅读 2017-08-19 00:40:07
    这里有一篇utf8汉字编码表,可以备不时之需。 地址:http://blog.csdn.net/qiaqia609/article/details/8069678 第一列为国标码码位 第二列为16位Unicode字符集编码码位 第三列为UTF-8编码 第四列为对应的中文...
  • 字符编码:ASCII 与 UTF-8编码

    千次阅读 2018-10-04 22:42:09
    字符编码:ASCII 与 UTF-8 编码 在计算机内部,所有的数据都是以二进制0、1表示,每个二进制位为一个比特(Bit),但是一个Bit能表示的信息太少,所以一个最小的操作单位应该包含多个多个比特,起初这个单位并没有...
  • 判断char*是否为utf8编码

    千次阅读 2017-10-14 12:51:06
    int utf8_check(const char* str,size_t length) { size_t i = 0;...////UTF8可用1-6个字节编码,ASCII用一个字节 unsigned char ch = 0; bool bAllAscii = true;//如果全部都是ASCII,说明不是UTF-8 while
  • MySQL中的 utf8 并不是真正的UTF-8编码 ! !

    千次阅读 多人点赞 2020-06-24 16:11:52
    你知道么?MySQL中的utf8编码并不是真正的UTF-8,我们都被MySQL骗了!
  • UTF-8编码规则解析

    千次阅读 2017-12-28 10:23:06
    在将多个(UTF-8)字节数组转换为字符串的时候,可能会发生乱码,这不是因为编码问题。 UTF-8是一种变长字节编码方式。对于某一个字符的UTF-8编码,如果只有一个字节则其最高二进制位为0;如果是多字节,其第一个...
  • java中unicode编码utf8编码相互转换

    万次阅读 2017-12-06 11:42:54
    1,在开发中经常会遇见有些编码使用到unicode编码的,而与我们通常使用的utf8编码不一致2,代码 /** * 转为unicode 编码 * * @param str * @return unicodeString */ public static String encode(String str)...
  • c语言实现utf-8编码解码器

    千次阅读 2019-01-22 21:05:20
    简单介绍一下utf-8编码utf-8编码是一种变长的编码方式,长度为1-4字节。 当码长为1字节的时候,兼容ascii编码,格式为0xxxxxxx (x处表示有效位) 当码长为2字节的时候,格式为110xxxxx 10xxxxxx 高字节的110...
  • UTF-8编码规则(转)

    万次阅读 多人点赞 2018-08-08 00:24:18
     UTF-8是Unicode的一种实现方式,也就是它的字节结构有特殊要求,所以我们说一个汉字的范围是0X4E00到0x9FA5,是指unicode值,至于放在utf-8的编码里去就是由三个字节来组织,所以可以看出unicode是给出一个字符的...
  • UTF-8编码占几个字节?

    万次阅读 2019-01-29 16:18:00
    占2个字节的:带有附加符号的拉丁文、希腊文、西里尔字母、亚美尼亚语、希伯来文、阿拉伯文、叙利亚文及它拿字母则需要二个字节编码 占3个字节的:基本等同于GBK,含21000多个汉字 占4个字节的:中日韩超大字符集...
  • UTF-8 编码格式(python)

    千次阅读 2019-07-27 15:09:35
    UTF-8(8-bit Unicode Transformation Format)是一种针对Unicode的可变长度字符编码,由Ken Thompson于1992年创建,现在已经标准化为RFC 3629。UTF-8用1到4个字节编码Unicode字符。用在网页上可以统一页面显示中文...
  • 将Windows10设置为UTF8编码格式

    万次阅读 2019-06-26 21:55:27
    目录设置为UTF-8编码注意事项 设置为UTF-8编码   首先,我们打开控制面板,找到 时钟和区域 -> 区域。 切换到管理面 选择,更改系统区域设置 ,勾选 Beta版:使用Unicode UTF-8提供全球语言支持(U)   设置好...
  • matlab 使用 utf-8 编码

    万次阅读 2019-04-23 14:56:48
    matlab 使用 utf-8 保存编码 matlab 中文环境下默认是 gb2312(gbk) 编码。这种编码方式并不通用,如果需要和其他语言交互或者在其他编辑器打开时都会遇到一些麻烦。因此,建议使用utf-8 格式进行编码。 网上关于这...
  • 在某次项目的实施上,发现从服务器Oracle数据库取过来的数据保存在客户端时中文显示有问题。... 服务器:NLS_CHARACTERSET=US7ASCII; 客户端:NLS_CHARACTERSET=AL32UTF8;后BaiDu说将服务器和客户端含中
  • 字符串转换成UTF8编码

    千次阅读 2016-10-19 10:19:00
    在使用网络GET请求时,一般要先将url中的汉字进行encode成UTF8格式的编码,否则在使用时可能报告网址不存在的错误,这时就需要进行转换。
  • UTF-8编码原理

    万次阅读 多人点赞 2018-09-14 10:51:27
    本文转载自 ... 1、ASCII码  ...4)UTF-8:编码是六个字节“EF BB BF E4 B8 A5”,前三个字节“EF BB BF”表示这是UTF-8编码,后三个“E4B8A5”就是“严”的具体编码, 它的存储顺序与编码顺序是一致的。
  • UTF-8编码详解

    千次阅读 2018-12-03 15:29:27
    1.ASCII编码 因为计算机只能处理数字,如果要处理文本,就必须先把文本转换为数字才能处理。最早的计算机在设计时采用8个比特(bit)作为一个字节(byte),所 以,一个字节能表示的最大的整数就是255(二进制...
  • Centos7设置UTF-8编码,防止中文乱码

    万次阅读 2017-06-10 05:58:44
    在终端输入:locale locale:显示当前系统编码;C表示ASCII码 LANG=C LC_CTYPE="C" LC_NUMERIC="C" LC_TIME="C" LC_COLLATE="C" LC_MONETARY="C" LC_MESSAGES="C" LC_PAPER="C" LC_NAME="C" LC_ADDRESS=
  • python使用 UTF-8编码

    千次阅读 2017-08-10 20:14:43
    Python 使用 UTF-8 编码 发表于:2010年1月28日 | 分类:Python | 标签: utf8 | views(58,751) 版权信息: 可以任意转载, 转载时请务必以超链接形式标明文章原文出处, 即下面的声明. 原文出处:...
  • UTF-8 编码 对照表

    千次阅读 2020-07-13 18:41:19
    分享一个UTF-8对照表的链接,方便查询 https://www.utf8-chartable.de/unicode-utf8-table.pl?utf8=dec 就这么简单的博客,哈哈哈
  • vim设定utf8编码格式

    千次阅读 2018-06-01 14:27:46
    vi ~/.vimrc 在自己的 vimrc 配置文件中增加下面的配置即可 set encoding=utf-8 " The encoding displayed. set fileencoding=utf-8 " The encoding written to file.
  • MySql中设置utf8编码方法

    万次阅读 2019-03-13 15:38:22
    MySql中设置utf8编码方法 创建数据库,标明编码格式 CREATE DATABASE kg_movie default character set utf8; 查看数据库编码 show variables like 'character%'; 接着: SET NAMES 'utf8'; ...
  • 判断中文文本是否为utf8编码类型的JavaScript实现原理参考资料Github 原理 常用汉字的unicode编码范围为4E00-9FA5,此范围被包含于UTF-8 3字节编码范围内。 故若文本由UTF-8编码时,一个汉字将由三个字节组成。 而这...

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 773,345
精华内容 309,338
关键字:

utf7编码