汉字转UTF-8过程,你知道吗?
< 返回列表时间: 2020-06-27来源:OSCHINA
什么是UTF-8编码
UTF-8是一种变长字节编码方式。
对于某一个字符的UTF-8编码,如果只有一个字节则其最高二进制位为0;如果是多字节,其第一个字节从最高位开始,连续的二进制位值为1的个数决定了其编码的位数,其余各字节均以10开头。UTF-8最多可用到6个字节。
如表:
1字节: 0xxxxxxx
2字节:110xxxxx 10xxxxxx
3字节:1110xxxx 10xxxxxx 10xxxxxx
4字节:11110xxx 10xxxxxx 10xxxxxx 10xxxxxx
5字节:111110xx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx
6字节:1111110x 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx
因此UTF-8中可以用来表示字符编码的实际位数最多有31位,即上表中x所表示的位。除去那些控制位(每字节开头的10等),这些x表示的位与UNICODE编码是一一对应的,位高低顺序也相同。 实际将UNICODE转换为UTF-8编码时应先去除高位0,然后根据所剩编码的位数决定所需最小的UTF-8编码位数。 因此那些基本ASCII字符集中的字符(UNICODE兼容ASCII)只需要一个字节的UTF-8编码(7个二进制位)便可以表示,而对于汉字,则一般需要3个字节表示。
取出二进制码
本文以汉字“春”为例进行说明 String str = "春"; char[] chars = str.toCharArray(); System.out.println(Integer.toString(chars[0], 2));
得到二进制码: 0110011000100101
UTF-8的编码规则
规则很简单,只有两条:
1、对于单字节的符号,字节的第一位设为0,后面7位为这个符号的unicode码。因此对于英语字母,UTF-8编码和ASCII码是相同的。
2、对于n字节的符号(n>1),第一个字节的前n位都设为1,第n+1位设为0,后面字节的前两位一律设为10。剩下的没有提及的二进制位,全部为这个符号的UNICODE码。

得到UTF8编码后字节: 11100110 10011000 10100101
UTF-8编码字节转成10进制
我们以第一个字节 11100110 为例,其他字节逻辑都是相同的。在这里11100110是以【补码】的形式存在的,那我们想转化成10进制,需要先推算出原码,要想推算出原码,我们得先知道原码转补码的逻辑,然后再逆向推理即可:
原码转补码逻辑:符号位不变,数值位按位取反,末位再加1。
那补码转原码的逻辑就是:
符号位不变,末位减1,数值位按位取反。

得出 11100110 的原码 10011010,符号位(最高位)为1,代表负数,数值位转10进制为26,那合起来就是 -26。
UTF-8编码字节转成16进制
二进制转16进制就简单许多,只需要从低位起每4位一组分别计算出值即可,仍然以11100110为例:

总结
按照上述的方法,汉字“春”最终得出的10进制为: [-26 -104 -91]
而最终的16进制为: [E6 98 A5]
汉字转16进制还是用的挺多的,浏览器url编码的时候也是默认转成16进制,只是每个编码结果前增加了%:

同时Java中的URLEncoder.encode方法也是一样:

编写测试代码: @Test public void testEncode() throws Exception { String str = "春"; System.out.println(URLEncoder.encode(str, "UTF-8")); }
运行结果:
本文仅供学习之用,版权归原作者所有,如有侵权请联系删除。
我将面试题和答案都整理成了PDF文档,还有一套学习资料,涵盖Java虚拟机、spring框架、Java线程、数据结构、设计模式等等,但不仅限于此。
关注公众号【java圈子】获取资料,还有优质文章每日送达。
热门排行