Archive for 五月, 2011

一个小故事,给“名动江湖”等统一症患者看

刚才厕所大便时随便编的,欢迎各方对号入座。
附统一症患者“名动江湖”原帖链接:

http://blog.sina.com.cn/s/blog_4c727bdf0100rxo1.html

从前有一个村庄,人们都以土豆为主食,后来陆续有外边迁来的移民来到村里,他们有的以红薯为主食,有的以南瓜为主食。
时间久了,一部分人改吃土豆了,一部分人仍然觉得土豆不好吃,于是在村里有了土豆红薯南瓜三大家族,又过了很久吃红薯和南瓜的人搬走形成了另外的村庄。
突然有一天,又一伙外边的人来了,对土豆村的人说,现在周边的村庄都在吃茄子了,你们也改吃茄子吧!村里人觉得奇怪,这伙人接着讲,旁边的县里他们都吃西红柿,我们县的人应该团结起来一起吃茄子,形成统一联盟,这样我们的实力才强。
村里人说,我不愿意吃茄子,我就愿意吃土豆,为什么要和你吃的一样。这伙人就说,白痴,现在都统一了,你们这样坚持吃土豆,你们为什么不去吃核桃,没话说了吧?不愿意吃核桃你们就没资格反对我们推广吃茄子!
你看那些吃南瓜的吃红薯的都从村里搬走了,我们再也不希望有这样的事情发生,所以一定要统一都吃茄子!你看我的祖先也不是吃茄子的,我现在也是吃茄子!为了我们统一,实力强!
村里人说,我们不是反对吃茄子,也不反对吃西红柿,我们也不反对吃核桃,我们就爱吃土豆,吃不吃别的东西是我们的自由,凭什么听你的。
这些外边来的人永远明白不了这个道理。


UTF-8编码格式ZZ

下列字节串用来表示一个字符. 用到哪个串取决于该字符在 Unicode 中的序号.
U+00000000 – U+0000007F: 0 xxxxxxx 0x – 7x
U+00000080 – U+000007FF: 110 xxxxx 10 xxxxxx Cx 8x – Dx Bx
U+00000800 – U+0000FFFF: 1110 xxxx 10 xxxxxx 10 xxxxxx Ex 8x 8x – Ex Bx Bx
U+00010000 – U+001FFFFF: 11110 xxx 10 xxxxxx 10 xxxxxx 10 xxxxxx F0 8x 8x 8x – F7 Bx Bx Bx 很少用
U+00200000 – U+03FFFFFF: 111110 xx 10 xxxxxx 10 xxxxxx 10 xxxxxx 10 xxxxxx F8 8x 8x 8x 8x – FB Bx Bx Bx Bx
U+04000000 – U+7FFFFFFF: 1111110 x 10 xxxxxx 10 xxxxxx 10 xxxxxx 10 xxxxxx 10 xxxxxx FC 8x 8x 8x 8x 8x – FD Bx Bx Bx Bx Bx

* FE FF从未在编码中出现过.
* 除第一个字节外,其余字节都在 0×80 到 0xBF范围内,每个字符的起始位置用0xC0-0xD0,0xE0,0xF0等可以确定(验证前四位或八位),不在这一范围的即为单字节字符.凡是以0×80 到 0xBF开头的都是后继字节,计数时都要跳过.
* Unicode是一种编码表,只将字符指定给某一数字(Unicode做得还要更多一些,比如提供比较及显示等很多算法等等);
而UTF-8是编码方式,是定义如何表示并存储指定编码的格式.
* UTF-8编码转换为Unicode编码: 将所有标志位去除,剩余位数若不足则在高位补零,凑足32位即可.
* Unicode编码转换为UTF-8编码: 从低位开始,每取6位补两个位10,不足6位(不算高位的0)则按字节长度补相应的字符标志位0、110、1110等

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。

对于上面的问题,代码中给出的两个字节是
十六进制:C0 B1
二进制:11000000 10110001
对比两个字节编码的表示方式:
110xxxxx 10xxxxxx
提取出对应的UNICODE编码:
00000 110001
可以看出此编码并非“标准”的UTF-8编码,因为其第一个字节的“有效编码”全为0,去除高位0后的编码仅有6位。由前面所述,此字符仅用一个字节的UTF-8编码表示就够了。
JAVA在把字符还原为UTF-8编码时,是按照“标准”的方式处理的,因此我们得到的是仅有1个字节的编码。

大家可以试试运行这段代码:
public class TestUTF8 {
public static void main(String[] args) throws Exception {
byte[][] bytes = {
// 00110001
{(byte)0×31},
// 11000000 10110001
{(byte)0xC0,(byte)0xB1},
// 11100000 10000000 10110001
{(byte)0xE0,(byte)0×80,(byte)0xB1},
// 11110000 10000000 10000000 10110001
{(byte)0xF0,(byte)0×80,(byte)0×80,(byte)0xB1},
// 11111000 10000000 10000000 10000000 10110001
{(byte)0xF8,(byte)0×80,(byte)0×80,(byte)0×80,(byte)0xB1},
// 11111100 10000000 10000000 10000000 10000000 10110001
{(byte)0xFC,(byte)0×80,(byte)0×80,(byte)0×80,(byte)0×80,(byte)0xB1},
};
for (int i = 0; i < 6; i++) { String str = new String(bytes[i], “UTF-8″); System.out.println(“原数组长度:” + bytes[i].length + “\t转换为字符串:” + str + “\t转回后数组长度:” + str.getBytes(“UTF-8″).length); } } } 运行结果为: 原数组长度:1 转换为字符串:1 转回后数组长度:1 原数组长度:2 转换为字符串:1 转回后数组长度:1 原数组长度:3 转换为字符串:1 转回后数组长度:1 原数组长度:4 转换为字符串:1 转回后数组长度:1 原数组长度:5 转换为字符串:1 转回后数组长度:1 原数组长度:6 转换为字符串:1 转回后数组长度:1 本文来自CSDN博客,转载请标明出处:http://blog.csdn.net/sandyen/archive/2006/08/23/1108168.aspx


Copyright © 1996-2010 Newblog of Senps. All rights reserved.
iDream theme by Templates Next | Powered by WordPress |