Unicode、UTF-8、UTF-16 終于懂了
本文轉載自微信公眾號「Linux開發那些事兒」，作者 LinuxThings。轉載本文請聯系Linux開發那些事兒公眾號。
計算機起源于美國，上個世紀，他們對英語字符與二進制位之間的關系做了統一規定，并制定了一套字符編碼規則，這套編碼規則被稱為ASCII編碼
ASCII 編碼一共定義了128個字符的編碼規則，用七位二進制表示 ( 0x00 - 0x7F ), 這些字符組成的集合就叫做 ASCII 字符集
隨著計算機的普及，在不同的地區和國家又出現了很多字符編碼，比如: 大陸的 GB2312、港臺的 BIG5, 日本的 Shift JIS等等
由于字符編碼不同，計算機在不同國家之間的交流變得很困難，經常會出現亂碼的問題，比如：對于同一個二進制數據，不同的編碼會解析出不同的字符
當互聯網迅猛發展，地域限制打破之后，人們迫切的希望有一種統一的規則, 對所有國家和地區的字符進行編碼，于是 Unicode 就出現了
Unicode 簡介
Unicode 是國際標準字符集，它將世界各種語言的每個字符定義一個唯一的編碼，以滿足跨語言、跨平臺的文本信息轉換
Unicode 字符集的編碼范圍是 0x0000 - 0x10FFFF , 可以容納一百多萬個字符， 每個字符都有一個獨一無二的編碼，也即每個字符都有一個二進制數值和它對應，這里的二進制數值也叫 碼點 , 比如：漢字 "中" 的 碼點是 0x4E2D, 大寫字母 A 的碼點是 0x41, 具體字符對應的 Unicode 編碼可以查詢 Unicode字符編碼表
字符集和字符編碼
字符集是很多個字符的集合，例如 GB2312 是簡體中文的字符集，它收錄了六千多個常用的簡體漢字及一些符號，數字，拼音等字符
字符編碼是 字符集的一種實現方式，把字符集中的字符映射為特定的字節或字節序列，它是一種規則
比如：Unicode 只是字符集，UTF-8、UTF-16、UTF-32 才是真正的字符編碼規則
Unicode 字符存儲
Unicode 是一個符號集， 它只規定了每個符號的二進制值，但是符號具體如何存儲它并沒有規定
前面提到, Unicode 字符集的編碼范圍是 0x0000 - 0x10FFFF，因此需要 1 到 3 個字節來表示
那么，對于三個字節的 Unicode字符，計算機怎么知道它表示的是一個字符而不是三個字符呢 ?
如果所有字符都用三個字節表示，那么對于那些一個字節就能表示的字符來說，有兩個字節是無意義的，對于存儲來說，這是極大的浪費，假如 , 一個普通的文本, 大部分字符都只需一個字節就能表示，現在如果需要三個字節才能表示，文本的大小會大出三倍左右
因此，Unicode 出現了多種存儲方式，常見的有 UTF-8、UTF-16、UTF-32，它們分別用不同的二進制格式來表示 Unicode 字符
UTF-8、UTF-16、UTF-32 中的 "UTF" 是 "Unicode Transformation Format" 的縮寫，意思是"Unicode 轉換格式"，后面的數 字表明至少使用多少個比特位來存儲字符, 比如：UTF-8 最少需要8個比特位也就是一個字節來存儲，對應的， UTF-16 和 UTF-32 分別需要最少 2 個字節 和 4 個字節來存儲
UTF-8 編碼
UTF-8: 是一種變長字符編碼，被定義為將碼點編碼為 1 至 4 個字節，具體取決于碼點數值中有效二進制位的數量
UTF-8 的編碼規則:
對于單字節的符號，字節的第一位設為 0，后面 7 位為這個符號的 Unicode 碼。因此對于英語字母，UTF-8 編碼和 ASCII 碼是相同的, 所以 UTF-8 能兼容 ASCII 編碼，這也是互聯網普遍采用 UTF-8 的原因之一
對于 n 字節的符號( n > 1)，第一個字節的前 n 位都設為 1，第 n + 1 位設為 0，后面字節的前兩位一律設為 10 。剩下的沒有提及的二進制位，全部為這個符號的 Unicode 碼
下表是Unicode編碼對應UTF-8需要的字節數量以及編碼格式
| Unicode編碼范圍(16進制) | UTF-8編碼方式(二進制) |
|---|---|
| 000000 - 00007F | 0xxxxxxx ASCII碼 |
| 000080 - 0007FF | 110xxxxx 10xxxxxx |
| 000800 - 00FFFF | 1110xxxx 10xxxxxx 10xxxxxx |
| 01 0000 - 10 FFFF | 11110xxx 10xxxxxx 10xxxxxx 10xxxxxx |
表格中第一列是Unicode編碼的范圍，第二列是對應UTF-8編碼方式，其中紅色的二進制 "1" 和 "0" 是固定的前綴, 字母 x 表示可用編碼的二進制位
根據上面表格，要解析 UTF-8 編碼就很簡單了，如果一個字節第一位是 0 ，則這個字節就是一個單獨的字符，如果第一位是 1 ，則連續有多少個 1 ，就表示當前字符占用多少個字節
下面以 "中" 字 為例來說明 UTF-8 的編碼，具體的步驟如下圖， 為了便于說明，圖中左邊加了 1，2，3，4 的步驟編號
首先查詢 "中" 字的 Unicode 碼 0x4E2D, 轉成二進制, 總共有 16 個二進制位， 具體如上圖 步驟1 所示
通過前面的 Unicode 編碼和 UTF-8 編碼的表格知道，Unicode 碼 0x4E2D 對應 000800 - 00FFFF 的范圍，所以, "中" 字的 UTF-8 編碼 需要 3 個字節，即格式是 1110xxxx 10xxxxxx 10xxxxxx
然后從 "中" 字的最后一個二進制位開始，按照從后向前的順序依次填入格式中的 x 字符，多出的二進制補為 0， 具體如上圖 步驟2、步驟3 所示
于是，就得到了 "中" 的 UTF-8 編碼是 11100100 10111000 10101101, 轉換成十六進制就是 0xE4B8AD， 具體如上圖 步驟4 所示
UTF-16 編碼
UTF-16 也是一種變長字符編碼, 這種編碼方式比較特殊, 它將字符編碼成 2 字節 或者 4 字節
具體的編碼規則如下:
- 對于 Unicode 碼小于 0x10000 的字符， 使用 2 個字節存儲，并且是直接存儲 Unicode 碼，不用進行編碼轉換
- 對于 Unicode 碼在 0x10000 和 0x10FFFF 之間的字符，使用 4 個字節存儲，這 4 個字節分成前后兩部分，每個部分各兩個字節，其中，前面兩個字節的前 6 位二進制固定為 110110，后面兩個字節的前 6 位二進制固定為 110111, 前后部分各剩余 10 位二進制表示符號的 Unicode 碼 減去 0x10000 的結果
- 大于 0x10FFFF 的 Unicode 碼無法用 UTF-16 編碼
下表是Unicode編碼對應UTF-16編碼格式
| Unicode編碼范圍(16進制) | 具體Unicode碼(二進制) | UTF-16編碼方式(二進制) | 字節 |
|---|---|---|---|
| 0000 0000 - 0000 FFFF | xxxxxxxx xxxxxxxx | xxxxxxxx xxxxxxxx | 2 |
| 0001 0000 - 0010 FFFF | yy yyyyyyyy xx xxxxxxxx | 110110yy yyyyyyyy 110111xx xxxxxxxx | 4 |
表格中第一列是Unicode編碼的范圍，第二列是 具體Unicode碼的二進制 ( 第二行的第二列表示的是 Unicode 碼 減去 0x10000 后的二進制 ) , 第三列是對應UTF-16編碼方式，其中紅色的二進制 "1" 和 "0" 是固定的前綴, 字母 x 和 y 表示可用編碼的二進制位， 第四列表示 編碼占用的字節數
前面提到過，"中" 字的 Unicode 碼是 4E2D, 它小于 0x10000，根據表格可知，它的 UTF-16 編碼占兩個字節，并且和 Unicode 碼相同，所以 "中" 字的 UTF-16 編碼為 4E2D
我從 Unicode字符表網站 找了一個老的南阿拉伯字母, 它的 Unicode 碼是: 0x10A6F , 可以訪問 https://unicode-table.com/cn/10A6F/ 查看字符的說明, Unicode 碼對應的字符如下圖所示
下面以這個 老的南阿拉伯字母的 Unicode 碼 0x10A6F 為例來說明 UTF-16 4 字節的編碼，具體步驟如下，為了便于說明，圖中左邊加了 1，2，3，4 、5的步驟編號
首先把 Unicode 碼 0x10A6F 轉成二進制, 對應上圖的 步驟 1
然后把 Unicode 碼 0x10A6F 減去 0x10000, 結果為 0xA6F 并把這個值轉成二進制 00 00000010 10 01101111，對應上圖的 步驟 2
然后 從二進制 00 00000010 10 01101111 的最后一個二進制為開始，按照從后向前的順序依次填入格式中的 x 和 y 字符，多出的二進制補為 0， 對應上圖的 步驟 3、 步驟 4
于是，就計算出了 Unicode 碼 0x10A6F 的 UTF-16 編碼是 11011000 00000010 11011110 01101111 , 轉換成十六進制就是 0xD802DE6F， 對應上圖的 步驟 5
UTF-32 編碼
UTF-32 是固定長度的編碼，始終占用 4 個字節，足以容納所有的 Unicode 字符，所以直接存儲 Unicode 碼即可，不需要任何編碼轉換。雖然浪費了空間，但提高了效率。
UTF-8、UTF-16、UTF-32 之間如何轉換
前面介紹過，UTF-8、UTF-16、UTF-32 是 Unicode 碼表示成不同的二進制格式的編碼規則，同樣，通過這三種編碼的二進制表示，也能獲得對應的 Unicode 碼，有了字符的 Unicode 碼，按照上面介紹的 UTF-8、UTF-16、UTF-32 的編碼方法 就能轉換成任一種編碼了
UTF 字節序
最小編碼單元是多字節才會有字節序的問題存在，UTF-8 最小編碼單元是一字節，所以 它是沒有字節序的問題，UTF-16 最小編碼單元是 2 個字節，在解析一個 UTF-16 字符之前，需要知道每個編碼單元的字節序
比如：前面提到過，"中" 字的 Unicode 碼是 4E2D, "?" 字符的 Unicode 碼是 2D4E， 當我們收到一個 UTF-16 字節流 4E2D 時，計算機如何識別它表示的是字符 "中" 還是 字符 "?" 呢 ?
所以，對于多字節的編碼單元，需要有一個標記顯式的告訴計算機，按照什么樣的順序解析字符，也就是字節序，字節序分為 大端字節序 和 小端字節序
小端字節序簡寫為 LE( Little-Endian ), 表示 低位字節在前，高位字節在后, 高位字節保存在內存的高地址端，而低位字節保存在內存的低地址端
大端字節序簡寫為 BE( Big-Endian ), 表示 高位字節在前，低位字節在后，高位字節保存在內存的低地址端，低位字節保存在在內存的高地址端
下面以 0x4E2D 為例來說明大端和小端，具體參見下圖:
數據是從高位字節到低位字節顯示的，這也更符合人們閱讀數據的習慣，而內存地址是從低地址向高地址增加
所以，字符0x4E2D 數據的高位字節是 4E，低位字節是 2D
按照大端字節序的高位字節保存內存低地址端的規則，4E 保存到低內存地址 0x10001 上，2D 則保存到高內存地址 0x10002 上
對于小端字節序，則正好相反，數據的高位字節保存到內存的高地址端，低位字節保存到內存低地址端的，所以 4E 保存到高內存地址 0x10002 上，2D 則保存到低內存地址 0x10001 上
BOM
BOM 是 byte-order mark 的縮寫，是 "字節序標記" 的意思, 它常被用來當做標識文件是以 UTF-8、UTF-16 或 UTF-32 編碼的標記
在 Unicode 編碼中有一個叫做 "零寬度非換行空格" 的字符 ( ZERO WIDTH NO-BREAK SPACE ), 用字符 FEFF 來表示
對于 UTF-16 ，如果接收到以 FEFF 開頭的字節流， 就表明是大端字節序，如果接收到 FFFE， 就表明字節流 是小端字節序
UTF-8 沒有字節序問題，上述字符只是用來標識它是 UTF-8 文件，而不是用來說明字節順序的。"零寬度非換行空格" 字符 的 UTF-8 編碼是 EF BB BF, 所以如果接收到以 EF BB BF 開頭的字節流，就知道這是UTF-8 文件
下面的表格列出了不同 UTF 格式的固定文件頭
| UTF編碼 | 固定文件頭 |
|---|---|
| UTF-8 | EF BB BF |
| UTF-16LE | FF FE |
| UTF-16BE | FE FF |
| UTF-32LE | FF FE 00 00 |
| UTF-32BE | 00 00 FE FF |
根據上面的 固定文件頭，下面列出了 "中" 字在文件中的存儲 ( 包含文件頭 )
| 編碼 | 固定文件頭 |
|---|---|
| Unicode 編碼 | 0X004E2D |
| UTF-8 | EF BB BF 4E 2D |
| UTF-16BE | FE FF 4E 2D |
| UTF-16LE | FF FE 2D 4E |
| UTF-32BE | 00 00 FE FF 00 00 4E 2D |
| UTF-32LE | FF FE 00 00 2D 4E 00 00 |
常見的字符編碼的問題
- Redis 中文key的顯示
有時候我們需要向redis中寫入含有中文的數據，然后在查看數據，但是會看到一些其他的字符，而不是我們寫入的中文
上圖中，我們向redis 寫入了一個 "中" 字，通過 get 命令查看的時候無法顯示我們寫入的 "中" 字
這時候加一個 --raw 參數，重新啟動 redis-cli 即可，也即 執行 redis-cli --raw 命令啟動redis客戶端，具體的如下圖所示
- MySQL 中的 utf8 和 utf8mb4
MySQL 中的 "utf8" 實際上不是真正的 UTF-8， "utf8" 只支持每個字符最多 3 個字節, 對于超過 3 個字節的字符就會出錯, 而真正的 UTF-8 至少要支持 4 個字節
MySQL 中的 "utf8mb4" 才是真正的 UTF-8
下面以 test 表為例來說明, 表結構如下:
- mysql> show create table test\G
- *************************** 1. row ***************************
- Table: test
- Create Table: CREATE TABLE `test` (
- `name` char(32) NOT NULL
- ) ENGINE=InnoDB DEFAULT CHARSET=utf8
- 1 row in set (0.00 sec)
向 test 表分別插入 "中" 字 和 Unicode 碼為 0x10A6F 的字符，這個字符需要從 https://unicode-table.com/cn/10A6F/ 直接復制到 MySQL 控制臺上，手工輸入會無效，具體的執行結果如下圖:
從上圖可以看出，插入 "中" 字 成功，插入 0x10A6F 字符失敗，錯誤提示無效的字符串，\xF0\X90\XA9\xAF 正是 0x10A6F 字符的 UTF-8 編碼，占用 4 個字節, 因為 MySQL 的 utf8 編碼最多只支持 3 個字節，所以插入會失敗
把 test 表的字符集改成 utf8mb4 , 排序規則 改成 utf8bm4_unicode_ci, 具體如下圖所示：
字符集和排序方式修改之后，再次插入 0x10A6F 字符， 結果是成功的，具體執行結果如下圖所示
上圖中，set names utf8mb4 是為了測試方便，臨時修改當前會話的字符集，以便保持和 服務器一致，實際解決這個問題需要修改 my.cnf 配置中 服務器和客戶端的字符集
小結
本文從字符編碼的歷史介紹了 Unicode 出現的原因，接著介紹了 Unicode 字符集中 三種不同的編碼方式：UTF-8、UTF-16、UTF-32 以及它們的的編碼方法，緊接著介紹了 字節序、BOM ，最后講到了字符集在 MySQL 和 Redis 應用中常見的問題以及解決方案 ，更多關于 Unicode 的介紹請參考 Unicode 的 RFC 文檔
