前言

• 先前讀到一篇文章介紹 UTF-8，突然發現時常轉換來轉換去，卻不知道他的編碼規則究竟是什麼。了解一下順便紀錄一篇。

• 本篇節錄、翻譯自 UTF-8: Bits, Bytes, and Benefits。

說明

Code point → Encoding

UTF-8 是一個 Unicode 的編碼方式，他把整數 (0 ~ 10FFFF，16 進位表示) 轉成 byte stream (0101…)；且它實際上比大家想的單純。

參考下表：

       Unicode code points                        UTF-8 encoding (binary)

        00~7F    ( 7 bits)                                       0zzzzzzz
    0080~07FF    (11 bits)                              110yyyyy 10zzzzzz
    0800~FFFF    (16 bits)                     1110xxxx 10yyyyyy 10zzzzzz
010000~10FFFF    (21 bits)            11110www 10xxxxxx 10yyyyyy 10zzzzzz

這張表看起來似乎有點複雜，但其實概念很簡單：

• 第一組：00 ~ 7F，共 128 個數字，剛好覆蓋 ASCII 編碼；這其實是特意兼容 ASCII 所用的範圍。

  • 其中 7F 兩位數字，表示：0~7 共 8 個號碼、0~F 共 16 個號碼，因此有 8 * 16 = 128 個數字 (7F 就是 127，加上 0 共 128 個)

  • 將這個數字轉為二進位後，會得到 7 bit (2 的 7 次方是 128)，填入表右邊 zzzzzzz 代表的位置即為 encoding 的結果。

  • 例如 6A 這個數字 (十進位 106)，轉成 7 bit 二進位是：1101010，所以 encoding 的結果是 01101010；跟 ASCII 完全一樣。

• 第二組：0080 ~ 07FF，共 1920 個數字，用來表示各國拼音字母。(維基百科：… 帶有附加符號的拉丁文、希臘文、西里爾字母、亞美尼亞語、希伯來文、阿拉伯文、敘利亞文及它拿字母則需要兩個位元組編碼 (Unicode 範圍由U+0080 至 U+07FF))

  • 0080 ~ 07FF，數字數量是 07FF - 007F = 0780 (十進位 1920)；07FF 表示的數量為 8 * 16 * 16 = 2048 (0~7 共 8 個數字、0~F 共 16 個數字)，因此是 2048 -128 = 1920 個數字。

  • 1920 用二進位表示，最少需要 11 bit (2 的 11 次方是 2048)，把這 11 bits 前 5 碼填入表右邊的 yyyyy、後 6 碼填入右邊的 zzzzzz 即代表 encoding 的結果。

  • 例如 026A 這個數字 (十進位 618)，轉成 11 bit 是 01001101010，則 encoding 的結果是 11001001 10101010

• 第三組：0800~FFFF 仿照一樣的算法會得到 63488，不過實際上會用到的只有 **61440** 個

  • FFFF - 07FF = F800 實際上共 63488 個數字。不過在編碼上，實際會用到的只有 000800 ~ 00D7FF、00E000 ~ 00FFFF 兩段，因此實際會用到的數字是 (D7FF - 7FF) + (FFFF - DFFF) = D000 + 2000 = F000 (十進位 61440) 個數字。

  • 61440 用二進位表示，最少需要 16 bit (2 的 16 次方是 65536)，前四碼填入表右邊的 xxxx、中間 6 碼填入 yyyyyy、最後 6 碼填入 zzzzzz 即代表 encoding 的結果。

  • 例如 E12A 這個數字 (十進位 57642)，換成二進位是 16 bit ：1110000100101010，因此 encoding 的結果是 11101110 10000100 10101010。

• 第四組類推，就不算了😂

性質

1. 所有的 ASCII 檔案就是 UTF-8 檔案，完全兼容。參考上面第一組編碼的說明。

2. 在 UTF-8 編碼中看到 ASCII bytes 可以確保是完全一樣的字。例如在 UTF-8 檔案中看到 0x7A (01111010)，可以確認他一定代表字母 z、ASCII bytes 也不會被其他 UTF-8 編碼覆蓋。

3. 而 z 二進位 01111010 不會在 UTF-8 中被編碼成 11000001 10111010 (第二組的表示法)，也就是不會編成 00001111010。原則上是要能用最短的編碼表示；如果編碼失敗，實務上會用 Unicode replacement character (FFFD) 表示，長這樣：� (似曾相識？)

4. UTF-8 is** self-synchronizing**：

   • 仔細觀察上表的右手邊，除了開頭第一組之外，其他組的內部、後面跟隨的 bytes 的都是 **10**______ 開頭。

   • 例如第三組 1110xxxx **10**yyyyyy **10**zzzzzz

   • 這些 bytes 稱作 continuation byte，代表是同一組 encoding 的字元，也就能快速找到下一個字的開頭 — 下一組 bytes 如果不是 10______ ，即是另一個字的開頭。

5. 字串搜尋 (substring search) 只是 bytes string search：從以上性質可知，只要對用一組組 bytes (8-bits) 比對即可完成字串搜尋的任務。

6. 大部分的程式，如果能正常處理 8-bits 檔案，就成正常處理 UTF-8 編碼檔案：

   • 之所以說「大部分」是因為，如果某些程式會把這些 bytes 拆開視為個別字元的話就會出錯；不過現在已經很少程式會有這種狀況了。更常見的情況是以換行 \n 或是空白當作字元分隔的符號，這與 ASCII 的編碼是相同的。也因此 Unix Tool 像是 cat、cp、diff、echo、head、tail 等指令都能處理 UTF-8 檔案，就像是在處理 ASCII 檔案一樣。

   • 大部分的作業系統也可以直接處理 UTF-8 的檔名，因為主要的區隔資料夾階層的符號是 /。

   • 另一方面，grep、sed、wc，這類可以接受任意字串當作 input 的工具，就需要一些修改。

7. UTF-8 如果以 code point 排序也不用修改：

   • 可以參考上面的表，用左邊方式排序與右邊方式相同。

   • 這也代表這些指令：join、ls、sort (沒有其他參數的情況) 不需要對 UTF-8 編碼額外處理。

8. UTF-8 沒有 “byte order”：

   • Unicode 定義了 byte order mark (BOM)，用來決定 bytes 裡面 bits 讀取的順序；不過這個值不會顯示出任何字元。例如 UTF-16 的 FFFE。

   • UTF-8 是 byte encoding. 不區分 little endian 或 big endian。

   • 部分程式可能會寫 UTF-8 編碼後的 BOM 在檔案的最開頭，不過這沒有必要、也會影響到「沒有考慮到這個標記」的其他程式。

REF

• https://research.swtch.com/utf8

• https://stackoverflow.com/questions/9356169/utf-8-continuation-bytes

• https://zh.wikipedia.org/wiki/UTF-8

• https://en.wikipedia.org/wiki/Byte_order_mark