Unicode- und UTF8-Kodierung neu verstehen

Unicode- und UTF8-Kodierung neu erkennen

---

Bis heute, um genau zu sein, wusste ich nicht, dass UTF-8-Kodierung und Unicode-Kodierung unterschiedlich sind, es gibt einen Unterschied囧
Es gibt einen gewissen Zusammenhang zwischen ihnen:

<code>UTF-8的长度是不一定的，有可能是1、2、3字节
Unicode长度一定，2个字节（USC-2）
UTF-8可以和Unicode互相转换</code>

Die Beziehung zwischen Unicode und utf8

---

Unicode(16进制)	UTF-8(二进制)
0000 - 007F	0xxxxxxx
0080 - 07FF	110xxxxx 10xxxxxx
0800 - FFFF	1110xxxx 10xxxxxx 10xxxxxx

Oben Die Tabelle hat offensichtlich zwei Bedeutungen. Die andere zeigt, wie Unicode in UTF-8 konvertiert wird:

Lassen Sie uns zuerst über Unicode sprechen Konvertierung

UTF-8-codierte Binärdatei wird mit den oben genannten drei Formaten abgeglichen. Nach dem Abgleich werden die festen Bits (Nicht-x-Positionen in der Tabelle) entfernt und dann wird jede Gruppe von 8 Bits von rechts nach rechts verwendet Wenn nicht genügend 8 Bits vorhanden sind, verwenden Sie nicht die 2 Bytes und 16 Bits, die der UTF-8-Kodierung entsprechen
Im Bild oben ist das Textkodierungsformat UTF-8, und Sie können WinHex verwenden, um seine hexadezimale Darstellung zu sehen

<code>字符	=> UTF-8	  => UTF-8二进制=> 去掉固定位置凑够16位的二进制 => 16进制

汉 	=> E6B189 => 11100110 10110001 10001001	=> 01101100 01001001 => 6C49
汉 	=> E5AD97 => 11100101 10101101 10010111	=> 01011011	01010111 => 5B57

#下面是在chrome命令行下面运行的结果
'\u6C49'
"汉"
'\u5B57'
"字"

#到这里的话，从UTF-8转换到Unicode已经是一件非常容易的事了，看看转换的伪代码
读取一个字节，11100110
判断该UTF-8字符的格式，属于第三种，3个字节
继续读取2个字节得到 11100101 10101101 10010111
按照格式去掉固定位     1011011 01010111
不够16位，左边补零    01011011 01010111  => 5B57</code>

Schauen wir uns die Konvertierung von Unicode in UTF-8 an

<code>5B57
获取5B57所在的Unicode范围，0800 <= 5B57 <= FFFF，得知5B57的UTF-8有三个字节，形式为1110xxxx 10xxxxxx 10xxxxxx
获取5B57的二进制编码 101101101010111
用上一步骤的二进制编码从右至左拼接UTF-8编码 11100101 10101101 10010111 </code>

Problem

---

Lassen Sie uns über die Ursache des heutigen Problems sprechen. Viele Wörter werden im UTF-8-Format eingegeben und haben maximal 30 Bytes. Daher wird die Überprüfung im Front-End und im Backend separat durchgeführt. Es handelt sich um eine Unicode-Kodierung, und das Back-End-Programm verwendet die UTF-8-Kodierung. Die aktuelle Lösung lautet wie folgt:

Front-End

<code>function utf8_bytes(str)
{
	var len = 0, unicode;
	for(var i = 0; i < str.length; i++)
	{
		unicode = str.charCodeAt(i);
		if(unicode < 0x0080) {
			++len;
		} else if(unicode < 0x0800) {
			len += 2;
		} else if(unicode <= 0xFFFF) {
			len += 3;
		}else {
			throw "characters must be USC-2!!"
		}
	}
	return len;
}

#例子
utf8_bytes('asdasdas')
8
utf8_bytes('yrt燕睿涛')
12</code>

Backend

<code>#对于GBK字符串
$len = ceil(strlen(bin2hex(iconv('GBK', 'UTF-8', $word)))/2);
#对于UTF8字符串
$len = ceil(strlen(bin2hex($word))/2);</code>

21.05.2015 20:21:53

Das Copyright dieses Artikels liegt für immer beim Autor ( (luluyrt＠163.com) Jede Form des Nachdrucks ist ohne Zustimmung des Autors untersagt. Nach dem Nachdruck muss der Autor und der Originaltext-Link eindeutig angegeben werden, andernfalls behalten wir uns vor Recht auf rechtliche Haftung.

Das Obige stellt das neue Verständnis der Unicode- und UTF8-Codierung vor, einschließlich Aspekten des Inhalts. Ich hoffe, es wird für Freunde hilfreich sein, die sich für PHP-Tutorials interessieren.