常见的编码方式及其特点:
编码方式的设计是为了适应不同的字符集和应用需求,因此它们在表示字符时使用的位数和字节数各不相同
常见编码方式及其位数和字节数
-
ASCII(American Standard Code for Information Interchange):
- 位数:7位
- 字节数:1字节(8位,但最高位固定为0)
- 字符范围:128个字符(包括英文字母、数字、标点符号和控制字符)
-
ISO 8859-1(Latin-1):
- 位数:8位
- 字节数:1字节
- 字符范围:256个字符(包括西欧语言的字符)
-
GB2312:
- 位数:16位
- 字节数:2字节
- 字符范围:6763个汉字及其他字符(主要用于简体中文)
-
BIG5:
- 位数:16位
- 字节数:2字节
- 字符范围:13053个汉字及其他字符(主要用于繁体中文)
-
Unicode:
- 位数:16位或32位
- 字节数:2字节或4字节(具体取决于编码方式)
- 字符范围:几乎所有已知字符(涵盖全球所有语言)
-
UTF-8(Unicode Transformation Format - 8-bit):
- 位数:8位到32位
- 字节数:1到4字节(变长编码)
- 字符范围 :所有Unicode字符
- 1字节(7位):用于ASCII字符(0x00 - 0x7F)
- 2字节(11位):用于扩展字符(0x80 - 0x7FF)
- 3字节(16位):用于基本多文种平面(BMP)字符(0x800 - 0xFFFF)
- 4字节(21位):用于补充字符(0x10000 - 0x10FFFF)
-
UTF-16(Unicode Transformation Format - 16-bit):
- 位数:16位或32位
- 字节数:2字节或4字节
- 字符范围 :所有Unicode字符
- 2字节(16位):用于基本多文种平面(BMP)字符(0x0000 - 0xFFFF)
- 4字节(32位):用于补充字符(0x10000 - 0x10FFFF)
-
UTF-32(Unicode Transformation Format - 32-bit):
- 位数:32位
- 字节数:4字节
- 字符范围:所有Unicode字符(直接使用32位表示)
为什么UTF-8可以编码中文,而其他的编码方式不行?
原理解释:
-
ASCII:只有128个字符,不可能表示中文这样的复杂字符。
-
ISO 8859-1:扩展到256个字符,但主要用于西欧语言字符,不包括中文。
-
GB2312 和 BIG5:这两种编码方式是专门为中文设计的,但它们有各自的局限性,不能表示所有的中文字符。
-
Unicode:它是一个统一的编码标准,包含了全球所有已知的字符。Unicode为每个字符分配一个唯一的编码点(code point),例如"中"字的编码点是U+4E2D。
-
UTF-8:
- UTF-8是Unicode的一种实现方式,它使用可变长度的字节来编码字符。
- 对于中文字符,UTF-8通常使用3个字节表示。UTF-8的第一个字节的高位部分指示了该字符需要的总字节数。例如,一个中文字符的第一个字节的高位部分可能是1110xxxx,这表示需要三个字节。后面的两个字节的高位部分是10xxxxxx,表示这是一个多字节字符的一部分。
- 这种可变长度的设计使得UTF-8可以非常高效地编码各种语言的字符,同时保持对ASCII的兼容性。
详细原理:
-
中文汉字在UTF-8编码中通常是三个字节,但这并不是绝对的。具体来说,UTF-8编码的长度取决于字符的Unicode编码点范围。下面是UTF-8编码的基本规则:
-
单字节字符(0x00 - 0x7F):1字节,最高位为0。例如,ASCII字符"a"编码为0x61。
-
双字节字符(0x80 - 0x7FF):2字节,第一个字节为110xxxxx,第二个字节为10xxxxxx。
-
三字节字符(0x800 - 0xFFFF):3字节,第一个字节为1110xxxx,后两个字节为10xxxxxx。
-
四字节字符(0x10000 - 0x10FFFF):4字节,第一个字节为11110xxx,后三个字节为10xxxxxx。
总结
大多数中文汉字在UTF-8中是三个字节,
但对于超过基本多文种平面的汉字,则需要使用四个字节表示。UTF-8通过这种可变长度的设计,能够有效地表示包括中文在内的所有Unicode字符。
大多数常用的中文汉字的Unicode编码点范围在0x4E00到0x9FFF之间,因此在UTF-8中表示为三个字节。例如,"中"字的Unicode编码是U+4E2D,在UTF-8中编码为E4 B8 AD。
然而,也有一些特殊的汉字或者罕见的汉字,它们的Unicode编码点超出了0xFFFF,需要使用四个字节来表示。以下是几个例子:
例子1:"𠀀"(CJK扩展B区第一个字符)
Unicode编码:
- "𠀀"字的Unicode编码是U+20000。
转换为二进制:
- 20000(十六进制)转换为二进制是0010 0000 0000 0000 0000。
根据UTF-8的编码规则进行分组:
- UTF-8编码四字节格式:
- 第一个字节:11110xxx
- 第二个字节:10xxxxxx
- 第三个字节:10xxxxxx
- 第四个字节:10xxxxxx
应用到"𠀀"字的二进制表示:
- 将0010 0000 0000 0000 0000分配到UTF-8的四个字节中:
- 第一个字节:1111 0000
- 第二个字节:1010 0000
- 第三个字节:1000 0000
- 第四个字节:1000 0000
最终UTF-8编码表示:
- 第一个字节:11110000 (F0)
- 第二个字节:10100000 (A0)
- 第三个字节:10000000 (80)
- 第四个字节:10000000 (80)
c++ String
C++ 的 std::string
是一个通用的字符串容器,它本身并不依赖于特定的字符编码。这种设计使得 std::string
可以存储不同编码的字符串。下面详细解释其中的原因和机制。
std::string
的设计
-
字节序列容器:
std::string
本质上是一个字节序列的容器,可以存储任意的字节数据。- 它不关心这些字节数据的具体含义,这使得它可以存储不同编码的字符串。
-
字符编码无关性:
std::string
并不强制要求字符串使用特定的编码。- 可以将任何编码的字符数据(如ASCII、UTF-8、ISO 8859-1等)存储在
std::string
中。
-
灵活的内存管理:
std::string
使用动态内存管理,可以灵活地调整其容量以适应存储的字符数据。- 这使得它可以存储从短的ASCII字符串到长的多字节编码字符串(如UTF-8)。
#include <iostream>
#include <string>int main() {
// ASCII编码的字符串
std::string ascii_str = "Hello, World!";
std::cout << "ASCII: " << ascii_str << std::endl;// UTF-8编码的字符串 std::string utf8_str = u8"你好,世界!"; std::cout << "UTF-8: " << utf8_str << std::endl; // ISO 8859-1编码的字符串 std::string iso8859_1_str = "\xA1\xA2\xA3"; std::cout << "ISO 8859-1: " << iso8859_1_str << std::endl; return 0;
}
std::wstring
和宽字符
对于需要处理Unicode字符的应用 ,C++还提供了宽字符字符串类型 std::wstring
。std::wstring
使用 wchar_t
类型存储字符,每个字符的大小依赖于具体实现(通常是2或4字节),可以更方便地处理多字节编码的字符数据,如UTF-16。
#include <iostream>
#include <string>
int main() {
// UTF-16编码的宽字符字符串
std::wstring utf16_str = L"你好,世界!";
std::wcout << L"UTF-16: " << utf16_str << std::endl;
return 0;
}
编码转换
在实际应用中,可能需要在不同编码之间进行转换。C++11及之后的标准库提供了 codecvt
来支持字符编码转换。
#include <iostream>
#include <string>
#include <locale>
#include <codecvt>
int main() {
// UTF-8 to UTF-16
std::string utf8_str = u8"你好,世界!";
std::wstring_convert<std::codecvt_utf8_utf16<wchar_t>> converter;
std::wstring utf16_str = converter.from_bytes(utf8_str);
std::wcout << L"UTF-16: " << utf16_str << std::endl;
// UTF-16 to UTF-8
std::string utf8_converted = converter.to_bytes(utf16_str);
std::cout << "UTF-8: " << utf8_converted << std::endl;
return 0;
}
总结
std::string
是一个通用的字节序列容器,可以存储不同编码的字符串,因为它本质上是存储字节数据而不是特定的字符编码。std::wstring
提供了处理宽字符的支持,适用于多字节编码的字符数据。- 对于字符编码的转换和处理,需要使用适当的工具和库,例如
codecvt
。