具有中文字符的文件如何知道每个字符使用多少字节？

问题描述 投票：20回答：9

我读过乔尔的文章"The Absolute Minimum Every Software Developer Absolutely, Positively Must Know About Unicode and Character Sets (No Excuses!)"，但仍然不明白所有的细节。一个例子将说明我的问题。请看下面这个文件：

alt text （来源：yart.com.au）

我在二进制编辑器中打开文件，仔细检查第一个汉字旁边的三个a中的最后一个：

alt text （来源：yart.com.au）

乔尔说：

在UTF-8中，0-127的每个代码点都存储在一个字节中。仅使用2,3存储代码点128及以上，实际上最多6个字节。

编辑也说：

  1. E6（230）在代码点128之上。
  2. 因此，我将以下字节解释为2,3，实际上最多6个字节。

如果是这样，是什么表明解释超过2个字节？这是如何用E6后面的字节表示的？

我的汉字是以2,3,4,5或6字节存储的吗？

unicode encoding cjk
9个回答
28
投票

如果编码是UTF-8，则下表显示如何将Unicode代码点（最多21位）转换为UTF-8编码：

Scalar Value                 1st Byte  2nd Byte  3rd Byte  4th Byte
00000000 0xxxxxxx            0xxxxxxx
00000yyy yyxxxxxx            110yyyyy  10xxxxxx
zzzzyyyy yyxxxxxx            1110zzzz  10yyyyyy  10xxxxxx
000uuuuu zzzzyyyy  yyxxxxxx  11110uuu  10uuzzzz  10yyyyyy  10xxxxxx

有许多非允许值 - 特别是字节0xC1,0xC2和0xF5 - 0xFF永远不会出现在格式良好的UTF-8中。还有许多其他的verboten组合。不规则性在第1字节和第2字节列中。请注意，代码U + D800 - U + DFFF是为UTF-16代理保留的，不能出现在有效的UTF-8中。

Code Points          1st Byte  2nd Byte  3rd Byte  4th Byte
U+0000..U+007F       00..7F
U+0080..U+07FF       C2..DF    80..BF
U+0800..U+0FFF       E0        A0..BF    80..BF
U+1000..U+CFFF       E1..EC    80..BF    80..BF
U+D000..U+D7FF       ED        80..9F    80..BF
U+E000..U+FFFF       EE..EF    80..BF    80..BF
U+10000..U+3FFFF     F0        90..BF    80..BF    80..BF
U+40000..U+FFFFF     F1..F3    80..BF    80..BF    80..BF
U+100000..U+10FFFF   F4        80..8F    80..BF    80..BF

这些表格取自Unicode标准版本5.1。

在问题中，偏移量为0x0010 .. 0x008F的材料产生：

0x61           = U+0061
0x61           = U+0061
0x61           = U+0061
0xE6 0xBE 0xB3 = U+6FB3
0xE5 0xA4 0xA7 = U+5927
0xE5 0x88 0xA9 = U+5229
0xE4 0xBA 0x9A = U+4E9A
0xE4 0xB8 0xAD = U+4E2D
0xE6 0x96 0x87 = U+6587
0xE8 0xAE 0xBA = U+8BBA
0xE5 0x9D 0x9B = U+575B
0x2C           = U+002C
0xE6 0xBE 0xB3 = U+6FB3
0xE6 0xB4 0xB2 = U+6D32
0xE8 0xAE 0xBA = U+8BBA
0xE5 0x9D 0x9B = U+575B
0x2C           = U+002C
0xE6 0xBE 0xB3 = U+6FB3
0xE6 0xB4 0xB2 = U+6D32
0xE6 0x96 0xB0 = U+65B0
0xE9 0x97 0xBB = U+95FB
0x2C           = U+002C
0xE6 0xBE 0xB3 = U+6FB3
0xE6 0xB4 0xB2 = U+6D32
0xE4 0xB8 0xAD = U+4E2D
0xE6 0x96 0x87 = U+6587
0xE7 0xBD 0x91 = U+7F51
0xE7 0xAB 0x99 = U+7AD9
0x2C           = U+002C
0xE6 0xBE 0xB3 = U+6FB3
0xE5 0xA4 0xA7 = U+5927
0xE5 0x88 0xA9 = U+5229
0xE4 0xBA 0x9A = U+4E9A
0xE6 0x9C 0x80 = U+6700
0xE5 0xA4 0xA7 = U+5927
0xE7 0x9A 0x84 = U+7684
0xE5 0x8D 0x8E = U+534E
0x2D           = U+002D
0x29           = U+0029
0xE5 0xA5 0xA5 = U+5965
0xE5 0xB0 0xBA = U+5C3A
0xE7 0xBD 0x91 = U+7F51
0x26           = U+0026
0x6C           = U+006C
0x74           = U+0074
0x3B           = U+003B
22
投票

这是UTF8编码的所有部分（这只是Unicode的一种编码方案）。

通过检查第一个字节可以计算出大小，如下所示：

  • 如果它以位模式"10" (0x80-0xbf)开始，它不是序列的第一个字节，你应该备份直到你找到开始，任何以“0”或“11”开头的字节（感谢Jeffrey Hantin指出那个评论）。
  • 如果它以位模式"0" (0x00-0x7f)开始，则为1个字节。
  • 如果以位模式"110" (0xc0-0xdf)开头，则为2个字节。
  • 如果以位模式"1110" (0xe0-0xef)开头，则为3个字节。
  • 如果以位模式"11110" (0xf0-0xf7)开头，则为4个字节。

我将复制显示此内容的表，但原始版本位于Wikipedia UTF8页面here上。

+----------------+----------+----------+----------+----------+
| Unicode        | Byte 1   | Byte 2   | Byte 3   | Byte 4   |
+----------------+----------+----------+----------+----------+
| U+0000-007F    | 0xxxxxxx |          |          |          |
| U+0080-07FF    | 110yyyxx | 10xxxxxx |          |          |
| U+0800-FFFF    | 1110yyyy | 10yyyyxx | 10xxxxxx |          |
| U+10000-10FFFF | 11110zzz | 10zzyyyy | 10yyyyxx | 10xxxxxx |
+----------------+----------+----------+----------+----------+

上表中的Unicode字符由位构成：

000z-zzzz yyyy-yyyy xxxx-xxxx

其中z和y位假定为零，而未给出它们。一些字节被认为是非法的起始字节，因为它们是：

  • 无用：从0xc0或0xc1开始的2字节序列实际上给出了小于0x80的代码点，可以用1字节序列更好地表示。
  • RFC3629用于U + 10FFFF以上的4字节序列，或5字节和6字节序列。这些是字节0xf5到0xfd。
  • 刚刚未使用：字节0xfe和0xff。

此外，多字节序列中不以位“10”开头的后续字节也是非法的。

例如，考虑序列[0xf4,0x8a，0xaf，0x8d]。这是一个4字节序列，因为第一个字节落在0xf0和0xf7之间。

    0xf4     0x8a     0xaf     0x8d
= 11110100 10001010 10101111 10001101
       zzz   zzyyyy   yyyyxx   xxxxxx

= 1 0000 1010 1011 1100 1101
  z zzzz yyyy yyyy xxxx xxxx

= U+10ABCD

对于第一个字节为0xe6（长度= 3）的特定查询，字节序列为：

    0xe6     0xbe     0xb3
= 11100110 10111110 10110011
      yyyy   yyyyxx   xxxxxx

= 01101111 10110011
  yyyyyyyy xxxxxxxx

= U+6FB3

如果你把代码看成here，你会发现它是你问题中的代码：澳。

为了说明解码是如何工作的，我回到我的档案中找到了我的UTF8处理代码。我不得不改变它以使其成为一个完整的程序并且编码已被删除（因为问题实际上是关于解码），所以我希望我没有从剪切和粘贴中引入任何错误：

#include <stdio.h>
#include <string.h>

#define UTF8ERR_TOOSHORT -1
#define UTF8ERR_BADSTART -2
#define UTF8ERR_BADSUBSQ -3
typedef unsigned char uchar;

static int getUtf8 (uchar *pBytes, int *pLen) {
    if (*pLen < 1) return UTF8ERR_TOOSHORT;

    /* 1-byte sequence */
    if (pBytes[0] <= 0x7f) {
        *pLen = 1;
        return pBytes[0];
    }

    /* Subsequent byte marker */
    if (pBytes[0] <= 0xbf) return UTF8ERR_BADSTART;

    /* 2-byte sequence */
    if ((pBytes[0] == 0xc0) || (pBytes[0] == 0xc1)) return UTF8ERR_BADSTART;
    if (pBytes[0] <= 0xdf) {
        if (*pLen < 2) return UTF8ERR_TOOSHORT;
        if ((pBytes[1] & 0xc0) != 0x80) return UTF8ERR_BADSUBSQ;
        *pLen = 2;
        return ((int)(pBytes[0] & 0x1f) << 6)
            | (pBytes[1] & 0x3f);
    }

    /* 3-byte sequence */
    if (pBytes[0] <= 0xef) {
        if (*pLen < 3) return UTF8ERR_TOOSHORT;
        if ((pBytes[1] & 0xc0) != 0x80) return UTF8ERR_BADSUBSQ;
        if ((pBytes[2] & 0xc0) != 0x80) return UTF8ERR_BADSUBSQ;
        *pLen = 3;
        return ((int)(pBytes[0] & 0x0f) << 12)
            | ((int)(pBytes[1] & 0x3f) << 6)
            | (pBytes[2] & 0x3f);
    }

    /* 4-byte sequence */
    if (pBytes[0] <= 0xf4) {
        if (*pLen < 4) return UTF8ERR_TOOSHORT;
        if ((pBytes[1] & 0xc0) != 0x80) return UTF8ERR_BADSUBSQ;
        if ((pBytes[2] & 0xc0) != 0x80) return UTF8ERR_BADSUBSQ;
        if ((pBytes[3] & 0xc0) != 0x80) return UTF8ERR_BADSUBSQ;
        *pLen = 4;
        return ((int)(pBytes[0] & 0x0f) << 18)
            | ((int)(pBytes[1] & 0x3f) << 12)
            | ((int)(pBytes[2] & 0x3f) << 6)
            | (pBytes[3] & 0x3f);
    }

    return UTF8ERR_BADSTART;
}

static uchar htoc (char *h) {
    uchar u = 0;
    while (*h != '\0') {
        if ((*h >= '0') && (*h <= '9'))
            u = ((u & 0x0f) << 4) + *h - '0';
        else
            if ((*h >= 'a') && (*h <= 'f'))
                u = ((u & 0x0f) << 4) + *h + 10 - 'a';
            else
                return 0;
        h++;
    }
    return u;
}

int main (int argCount, char *argVar[]) {
    int i;
    uchar utf8[4];
    int len = argCount - 1;

    if (len != 4) {
            printf ("Usage: utf8 <hex1> <hex2> <hex3> <hex4>\n");
            return 1;
    }
    printf ("Input:      (%d) %s %s %s %s\n",
        len, argVar[1], argVar[2], argVar[3], argVar[4]);

    for (i = 0; i < 4; i++)
            utf8[i] = htoc (argVar[i+1]);

    printf ("   Becomes: (%d) %02x %02x %02x %02x\n",
        len, utf8[0], utf8[1], utf8[2], utf8[3]);

    if ((i = getUtf8 (&(utf8[0]), &len)) < 0)
        printf ("Error %d\n", i);
    else
        printf ("   Finally: U+%x, with length of %d\n", i, len);

    return 0;
}

您可以使用您的字节序列运行它（您需要4，因此请使用0来填充它们），如下所示：

> utf8 f4 8a af 8d
Input:      (4) f4 8a af 8d
   Becomes: (4) f4 8a af 8d
   Finally: U+10abcd, with length of 4

> utf8 e6 be b3 0
Input:      (4) e6 be b3 0
   Becomes: (4) e6 be b3 00
   Finally: U+6fb3, with length of 3

> utf8 41 0 0 0
Input:      (4) 41 0 0 0
   Becomes: (4) 41 00 00 00
   Finally: U+41, with length of 1

> utf8 87 0 0 0
Input:      (4) 87 0 0 0
   Becomes: (4) 87 00 00 00
Error -2

> utf8 f4 8a af ff
Input:      (4) f4 8a af ff
   Becomes: (4) f4 8a af ff
Error -3

> utf8 c4 80 0 0
Input:      (4) c4 80 0 0
   Becomes: (4) c4 80 00 00
   Finally: U+100, with length of 2
5
投票

对此有一个很好的参考是Markus Kuhn的UTF-8 and Unicode FAQ。

3
投票

基本上，如果它以0开头，那么它是一个7位代码点。如果它以10开头，则它是多字节码点的延续。否则，1的数量会告诉您此代码点编码的字节数。

第一个字节表示编码代码点的字节数。

0xxxxxxx 7位代码点，以1个字节编码

110xxxxx 10xxxxxx 10位代码点，以2个字节编码

110xxxxx 10xxxxxx 10xxxxxx等1110xxxx 11110xxx等

2
投票

3个字节 http://en.wikipedia.org/wiki/UTF-8#Description

2
投票

UTF-8的构造方式使得字符开始的位置和它具有的字节数不存在歧义。

这很简单。

  • 0x80到0xBF范围内的字节永远不是字符的第一个字节。
  • 任何其他字节始终是字符的第一个字节。

UTF-8有很多冗余。

如果你想知道一个字符有多长字节，有多种方法可以告诉你。

  • 第一个字节总是告诉你字符长了多少字节： 如果第一个字节是0x00到0x7F，则它是一个字节。 0xC2到0xDF表示它是两个字节。 0xE0到0xEF表示它是三个字节。 0xF0到0xF4表示它是四个字节。
  • 或者，您可以只计算0x80到0xBF范围内的连续字节数，因为这些字节都与前一个字节属于同一个字符。

从不使用某些字节，如0xC1至0xC2或0xF5至0xFF，因此如果您在任何地方遇到这些字节，那么您不会看UTF-8。

2
投票

代码点高达0x7ff存储为2个字节;最多0xffff为3个字节;其他一切都是4个字节。 （从技术上讲，最高为0x1fffff，但Unicode中允许的最高代码点为0x10ffff。）

解码时，多字节序列的第一个字节用于确定用于生成序列的字节数：

  1. 110x xxxx => 2字节序列
  2. 1110 xxxx => 3字节序列
  3. 1111 0xxx => 4字节序列

序列中的所有后续字节必须符合10xx xxxx模式。

1
投票

这句话的提示在这里：

在UTF-8中，0-127的每个代码点都存储在一个字节中。仅使用2,3存储代码点128及以上，实际上最多6个字节。

每个最多127个代码点的最高位都设置为零。因此，编辑器知道如果遇到顶部位为1的字节，则它是多字节字符的开头。

0
投票

为什么有这么多复杂的答案？

1个汉字3个字节。使用此函数（在jQuery下）：

function get_length(field_selector) {
  var escapedStr = encodeURI($(field_selector).val())
  if (escapedStr.indexOf("%") != -1) {
    var count = escapedStr.split("%").length - 1
    if (count == 0) count++  //perverse case; can't happen with real UTF-8
    var tmp = escapedStr.length - (count * 3)
    count = count + tmp
  } else {
    count = escapedStr.length
  }
  return count
}
最新问题
© www.soinside.com 2019 - 2024. All rights reserved.