字符集
1、unicode字符集
(不是编码,只是一个对某个值的二进制定义)
unicode字符集
0000-ffff 0号平面
10000-1ffff
20000-2ffff
30000-3ffff
40000-4ffff, d0000-dffff
e0000-effff
f0000-fffff
100000-10ffff
utf8编码规则
0xxxxxxx
110xxxxx 10xxxxxx
1110xxxx 10xxxxxx 10xxxxxx
11110xxx 10xxxxxx 10xxxxxx 10xxxxxx
111110xx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx
1111110x 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx
7或8个字节无法达到
5或6个字节的UTF-8十六进制编码一定是以f8,f9,fa,fb,fc,fd开头
4个字节的UTF-8十六进制编码一定是以F开头的
3个字节的UTF-8十六进制编码一定是以E开头的
2个字节的UTF-8十六进制编码一定是以C或D开头的
1个字节的UTF-8十六进制编码一定是以比8小的数字开头的
字符集 和 字符编码
字符集是一个容纳了很多值的“字符-字节表示”对照表
字符编码是对字符集里面的每一个字符进行编码的一种方式
utf8 是对unicode字符集进行编码的一种编码方式。
utf8编码方式, 是1个字节, 2个字节, 3个字节, 4个字节 的一种不定长编码规则。
预先规定对应bit位, 剩余bit位,用unicode字符集的二进制原始编码址进行由低到高的填充。 最终得到一个新的二进制值。
2、其它字符集
ascii字符集: 0~127 26个基本拉丁字母, 阿拉伯数字, 英式标点符号
eascii字符集:扩充字符, 128~255
gb2312 简体中文编码表: 6763个汉字
gb18030:当前最新的中文编码表,对原来的汉子编码字符集的扩充,与gb2312-1980兼容, 与gbk兼容,共收录汉字70244个。最多可以定义161万个字符, 支持少数名字的文字, 包括繁体汉字, 日韩汉字 多字节编码
big5字符集: 收录13060个汉字, 主要有繁体中文汉字 双字节编码
unicode字符集: 收录10万以上个字符。
字符编码
ascii编码、非ascii编码
gbk编码
utf8编码
utf16编码
utf32编码
gb18030编码
ucs-2编码
ucs-4编码
big5编码
gb2312编码
二进制, 1个字节,8个bit位, 1个bit位2中状态, 1个字节对应256中状态。 因此可以表示256种值。
ascii
1个字节,第一个bit位统一规定为0,还剩7个bit位,表示128中状态,表示128个值。这就是ascii编码。
非ascii
如果第一个bit位拿来使用,有256种值,0~127表示的值相同, 128~255表示的符号不相同。
gb2312
2个字节表示一个值, 256*256=65536个不同的值。
编码,解码, 解码时,必须知道二进制的编码方式,不然会乱码。
unicode是所有符号的编码, 每一个符号,都有唯一不同的表示,这样就不存在不同的二进制值表示不同的值。
unicode可能使用1个字节,2个字节,3个字节,4个字节表示一个值, 比如用3个字节表示一个值的时候, 计算机怎么知道,这是一个unicode表示的1个值,而不是3个ascii值呢?
如果unicode统一使用3个字节或4个字节来表示一个值, 这样虽然不存在是一个值还是多个值的问题, 但是却造成空间浪费。
unicode是一个字符集,没有规定如何编码解码的,只是人为的对每一个值定一个字节(1个字节,2个字节,3个字节,4个字节)的表示。
utf8 是unicode字符集的一种编码方式的实现。1~4个字节表示一个值, unicode单字节符号,字节第一位设置为0,后面7位为这个符号的unicode码, 0~127个值。这些字符集值, 就和ascii编码相同了。
0xxxxxxx
110xxxxx 10xxxxxx
1110xxxx 10xxxxxx 10xxxxxx
11110xxx 10xxxxxx 10xxxxxx 10xxxxxx
这样做的好处看到了吧, 如果随便删除一个字节, 都不会影响其它字符集的解码。
如果第一个bit位是0,这个字节就是一个字符,如果第一个bit位是1,则连续有多少个1,表示当前字符值占用多少个字节
FEFF
大头:高bit位存在前面FFFE
小头:高bit位存放在后面FFFE
ansi, 表示gb2312编码 D1CF
以unicode字符值二进制 “4E25” 为例, utf编码表示为 "E4 B8 A5"
unicode, "FF FE 25 4E" 小头方式存储的什么编码
unicode big endian "FE FF 4E 25" 大头方式存储
utf8 "EF BB BF E4 B8 A5"存储顺序与实际的编码顺序一致
http响应头内容协商
编码, 解码, 编码规则, 解码规则 , 字符集
accept-charset 字符集, 通常包含了编码方案, gb2312, utf-8
accept-encoding 编码方法, 是否支持压缩, 什么压缩方法
accept-language,语言, 中文是语言,中文的字符集有big5, gb2312, gbk, gb18030
content-type, 响应的对象类型, 字符集, text/html; charset='gb2312'
content-encoding, 响应的对象用了什么压缩方法
content-language,响应的对象的语言
参考: http://www.cnblogs.com/skynet/archive/2011/05/03/2035105.html