字符编码学习之一，ASCII,Unicode,UTF-8编码

字符是个很麻烦的问题，很早就在网上看到了一系列的好文章了，当时学习完也非常受用，但是不久后就遗忘了。最近遇到一个的需求，在页面固定宽高的div里面显示一段文字，当文字过长时截断加省略号（多行，所以不能简单使用text-overflow属性），于是采用了这个方法，使用等宽字体，算出一行的字符数宽度，然后乘以行数获得总字数在后端用php截取后加省略号返回（注意：是等宽字体，比如黑体[SimHei]，一个阿拉伯数字和英文字母，标点占一个字符宽度，汉字占两个字符宽度）。后端php按宽度长截取中文字符时，utf8编码的一个汉字占三个字节，算两个字符宽度，就不能简单的用substr()和mb_substr()来处理了。

今天花了一下午把阮一峰的字符编码相关的文章重新学习了一遍，结合php再重新整理一遍。准备分两个部分，第一部分单讲编码问题，第二部分讲讲php对文字的处理问题。

一，ASCII
ASCII（American Standard Code for Information Interchange，美国信息交换标准代码）简称，II不是罗马字母的II啊。使用7个二进制位表示有128个基本的字符，其中33位不可见(0-31,127)，其余95位都是可见字符。将一个字节剩下的一个位扩充遍有了额外的128为来组成了EASCII，但是目前有很多互不兼容的EASCII标准。

二，Unicode
使用ASCII远远不能容纳现今这么多国家的语言文字交流需求。于是便设计产生了一套字符集，按一定的规则将人类所有的使用的字符给定唯一的数字编码，这样就再也会有乱码问题了。这套系统设计可容纳100多万字符，目前已经编码了了10万多字符，还在不断的增加，其中有7万多是东亚文化圈产生的字符。（不得不感叹东亚人们造字能力强大啊）。
Unicode，把所有的字符分区存放，称为平面，其中最chong用的字符放在第一个平面称为主平面（BMP）U+0000-FFFF，其他平面称为辅助面U+10000-10FFFF,一个平面可以容纳2^16个字符，一共有17个平面(2^5)，所以unicode能够容纳的总字符数为2^(16+5)=2^21个字符。

其中，中文在Unicode排第一的字符是 ‘一’，Unicode码为U+4E00，所有中文字符的编码范围为4E00-9FA5。Unicode这么好用，我们保存，传输数据用它编码就好了。有了Unicode是不是就万无一失了？

并不是，会有两个问题，1，Unicode排前面的编码，比如ASCII，一个字节就可以表示，而上面说的汉字，需要两个字节的编码来表示，还有更大的字符，需要3个或4个字符来表示，计算机如何识别一个串编码到底是1个字节的ASCII字符，还是2个字节的汉字，或者是其他字符来组成的这串编码？比如，’湘’的Unicode编码为U+6E48，又可解释为两个单字节字符为6E:n,48:H，这样就会照成很大的混乱。2，问题1也有简单的解决方法，最长的Unicode需要4个字节表示，那我们把所有的字符都用4字节编码存储，不够4字节的前面补0。这样处理简单粗暴，但是会带来大量的空间浪费，比如存储最常见的英文字母，就会浪费3倍的空间。
于是UTF格式转换出现了。

Unicode的实现方式不同于编码方式。一个字符的Unicode编码是确定的。但是在实际传输过程中，由于不同系统平台的设计不一定一致，以及出于节省空间的目的，对Unicode编码的实现方式有所不同。Unicode的实现方式称为Unicode转换格式（Unicode Transformation Format，简称为UTF） —-引用维基百科

目前常用的实现方式是UTF-16小端序（LE）、UTF-16大端序（BE）和UTF-8。UTF-8编码，是一种变长编码，它将基本7位ASCII字符仍用7位编码表示，占用一个字节（首位补0）。而遇到与其他Unicode字符混合的情况，将按一定算法转换，每个字符使用1-3个字节编码，并利用首位为0或1进行识别。这样对以7位ASCII字符为主的西文文档就大幅节省了编码长度。

Unicode转换utf8规则
Unicode转utf8规则很简单：
1，如果Unicode是ASCII字符，那么还是用一个字节来表示，第一位是0，其他为填充ASCII编码。
2，如果是多字节编码，在下表的左边根据Unicode编码范围找到对应的UTF-8编码方式，然后将x为用Unicode填充。
或者换一个讲法：

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。
————来自阮一峰

比如，汉字丁的Unicode编码是U+4E01，在第三行800-FFFF的范围，对应的utf8二进制编码为1110xxxx 10xxxxxx 10xxxxxx，然后将4E01转化二进制0100 1110 0000 0001按位填充，得到1110**0100** 10**111000** 10**000001** 转化为16进制为E4B881，就是’丁’的utf8编码了。

Unicode符号范围      | UTF-8编码方式
（十六进制）          | （二进制）
--------------------+---------------------------------------------
0000 0000-0000 007F | 0xxxxxxx
0000 0080-0000 07FF | 110xxxxx 10xxxxxx
0000 0800-0000 FFFF | 1110xxxx 10xxxxxx 10xxxxxx
0001 0000-0010 FFFF | 11110xxx 10xxxxxx 10xxxxxx 10xxxxxx

注意：为什么上表最后一行不是0001 0000-001F FFFF，因为2003年11月UTF-8被RFC 3629规定，只能使用原来Unicode定义的区域，U+0000到U+10FFFF。所以理论上来说，还可以有5字节，6字节的utf8编码
对应关系为0020 0000 - 03FF FFFF| 111110xx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx
0400 0000 - 7FFF FFFF| 1111110x 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx

UTF-8编码字节含义

对于UTF-8编码中的任意字节B，如果B的第一位为0，则B独立的表示一个字符(ASCII码)；
如果B的第一位为1，第二位为0，则B为一个多字节字符中的一个字节(非ASCII字符)；
如果B的前两位为1，第三位为0，则B为两个字节表示的字符中的第一个字节；
如果B的前三位为1，第四位为0，则B为三个字节表示的字符中的第一个字节；
如果B的前四位为1，第五位为0，则B为四个字节表示的字符中的第一个字节；
因此，对UTF-8编码中的任意字节，根据第一位，可判断是否为ASCII字符；根据前二位，可判断该字节是否为一个字符编码的第一个字节；根据前四位（如果前两位均为1），可确定该字节为字符编码的第一个字节，并且可判断对应的字符由几个字节表示；根据前五位（如果前四位为1），可判断编码是否有错误或数据传输过程中是否有错误。