On-line Codifica e decodifica UTF-8

Introduzione degli strumenti

on-line UTF-8 Strumenti Codec

UTF-8 breve introduzione

UTF-8 È una specie di Unicode Codifica caratteri di lunghezza variabile per , Conosciuto anche come "codice universale" .

UTF-8 uso 1 reach 6 Codifica byte UNICODE carattere .

UTF-8 Norme di codificazione

Se c'è un solo byte, il suo bit binario più alto è: 0;

Se è multi byte , Il primo byte inizia dal bit più alto , I valori binari consecutivi sono: 1 Il numero di byte determina il numero di byte che codifica , I byte rimanenti sono rappresentati da 10 inizio .

UTF-8 La tabella di conversione è riportata come segue: :
Unicode/UCS-4
bit numero
UTF-8
byte numero
osservazioni
0000~
007F
0~7
0XXX XXXX
1
0080~
07FF
8~11
110X XXXX
10XX XXXX
2
0800~
FFFF
12~16
1110XXXX
10XX XXXX
10XX XXXX
3
Intervallo di definizione di base :0~FFFF
1 0000~
1F FFFF
17~21
1111 0XXX
10XX XXXX
10XX XXXX
10XX XXXX
4
Unicode6.1 Intervallo di definizione :0~10 FFFF
20 0000~
3FF FFFF
22~26
1111 10XX
10XX XXXX
10XX XXXX
10XX XXXX
10XX XXXX
5
spiegare : Questo non è unicode Campo di codifica: , appartiene a UCS-4 codice
Norme iniziali UTF-8 Raggiungibile 6 Sequenza di byte , Può essere sovrascritto a 31 Bit ( I limiti originali del set di caratteri universali ). Per tutto questo ,2003 anno 11 mese UTF-8 cover RFC 3629 Rispecificazione , Solo l'originale Unicode Area definita ,U+0000 reach U+10FFFF. Secondo le specifiche , Questi valori di byte non verranno visualizzati nella versione legale UTF-8 In sequenza
400 0000~
7FFF FFFF
27~31
1111 110X
10XX XXXX
10XX XXXX
10XX XXXX
10XX XXXX
10XX XXXX
6

UTF-8 vantaggio

UTF-8 La codifica può essere letta e scritta rapidamente mascherando i bit e spostando le operazioni . Confronto stringhe strcmp() e wcscmp() I risultati di rendimento sono gli stessi , Pertanto, lo smistamento diventa più facile . byte FF e FE soggiorno UTF-8 Non comparire mai nel codice , Pertanto, possono essere utilizzati per indicare UTF-16 o UTF-32 testo ( vedi BOM) UTF-8 È indipendente dall'ordine dei byte . Il suo ordine di byte è lo stesso in tutti i sistemi , Quindi non serve BOM.

UTF-8 carenze

Non puoi UNICODE A giudicare dal numero di caratteri UTF-8 Bytes di testo , perché UTF-8 È un codice di lunghezza variabile. Deve usare 2 Bytes codificano quelli con estensione ASCII Solo il set di caratteri necessita 1 Caratteri di byte ISO Latin-1 sì UNICODE Sottoinsieme di , Ma non UTF-8 Sottoinsieme di 8 Carattere bit UTF-8 La codifica sarà email Filtro gateway , perché internet Le informazioni sono state originariamente progettate per: 7 posizione ASCII codice . Di conseguenza UTF-7 codice . UTF-8 Usa i valori nella sua rappresentazione 100xxxxx La probabilità di superare 50%, Attuazioni esistenti, quali ISO 2022, 4873, 6429, e 8859 sistema , Lo confonderà per C1 Codice di controllo . Di conseguenza UTF-7.5 codice .