OC 字符串编码-中英文字符串混合长度

1.各种编码格式原理以及发展历史

1.1 ASCII码

早起计算机发展初期，肯定是以字母为标准的，没考虑世界上其他语言如中文，日文韩文等，故此起初设计的字符集合也就比较简单，也就是如今的ASCII码。
ASCII码一共规定了128个字符的编码，比如大写的字母A是65（二进制01000001）。这128个符号（包括32个不能打印出来的控制符号），只占用了一个字节的后面7位，最前面的1位统一规定为0。

1.2. 非ASCII码

英语用128个符号编码就够了，但是用来表示其他语言，128个符号是不够的。比如，在法语中，字母上方有注音符号，它就无法用ASCII码表示。需要扩展编码集合有些就使用ASCII码保留码有些，有些就使用两个字节来表示如国标GB2312就是两个字节表示一个汉字。但是各个地区国家各自为政发展出来了很多不同的非ASCII码体系，如台湾与大陆编码都不一样，这导致沟通成本很大，故此迫切需要一个标准化的符号集合，Unicode孕育而生。

1.3.Unicode

Unicode只是一个符号集合，规定了二进制代码，但是并没规定具体存储方式。
对应具体的汉字有可能其Unicode需要二个字节来保存其转换出来的二进制数，也有可能需要3个字节，4个字节才能够保存，大部分汉字是需要4个字节来表示。
比如，汉字“严”的unicode是十六进制数4E25，转换成二进制数足足有15位（100111000100101），也就是说这个符号的表示至少需要2个字节。表示其他更大的符号，可能需要3个字节或者4个字节，甚至更多。

这里就有两个严重的问题，第一个问题是，如何才能区别unicode和ascii？计算机怎么知道三个字节表示一个符号，而不是分别表示三个符号呢？第二个问题是，我们已经知道，英文字母只用一个字节表示就够了，如果unicode统一规定，每个符号用三个或四个字节表示，那么每个英文字母前都必然有二到三个字节是0，这对于存储来说是极大的浪费，文本文件的大小会因此大出二三倍，这是无法接受的。

它们造成的结果是：1）出现了unicode的多种存储方式，也就是说有许多种不同的二进制格式，可以用来表示unicode。2）unicode在很长一段时间内无法推广，直到互联网的出现。

1.4.UTF-8
UTF-8是Unicode的实现方式之一，其他实现方式还包括UTF-16和UTF-32，不过在互联网上基本不用。
互联网的普及，人们的快去要沟通越来越频繁，强烈要求出现一种统一的编码方式，UTF-8就此诞生。

UTF-8最大的一个特点，就是它是一种变长的编码方式。它可以使用1~4个字节表示一个符号，根据不同的符号而变化字节长度。

UTF-8的编码规则很简单，只有二条：
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。

UTF-8 每字至少 1 byte，至多 4 bytes。1 byte 字符与 US-ASCII 相符。U+0800-07ff 是 2 bytes，0800-ffff 是 3 bytes，之后的是 4 bytes

下表总结了编码规则，字母x表示可用编码的位。
Unicode符号范围 | UTF-8编码方式

image.png

下面，还是以汉字“严”为例，演示如何实现UTF-8编码。
已知“严”的unicode是4E25（100111000100101），根据上表，可以发现 4E25处在第三行的范围内（0000 0800-0000 FFFF），因此“严”的UTF-8编码需要三个字节，即格式是“1110xxxx 10xxxxxx 10xxxxxx”。然后，从“严”的最后一个二进制位开始，依次从后向前填入格式中的x，多出的位补0。这样就得到了，“严”的UTF-8编码是 “11100100 10111000 10100101”，转换成十六进制就是E4B8A5。

2.实际使用场景

2.1 需求：求中英文混合长度

从上可做字符串的长度取决于我们的字符编码方式，如国标GB2312那就一个汉字两个字节，字母一个字节，如UTF-8，一个汉字是动态的长度2个字节到4个字节之间，千万别再说一个汉字在UTF-8这种unicode实现方式上是3个字节了，日韩字符集合是四个字节，当然常用的中文大部分落在3个字节范围内。所以说标准的约定很重要，客户端内部的约定，客户端与服务器端的约定。只有形成了标准才能交流实现。客户端与服务器端标准不同话，各自算出的长度都不一样，如某些场景需要截断字符串，那么就容易出问题了，客户端明明告诉服务器端截取多少个，可因为标准的不同多截了或者少截了，导致一些bug。

  NSString * text = @"1234刘a";
  NSInteger length = [text length]; //length值为6，length仅仅返回字符个数而不是存储空间大小
  NSInteger length_utf8 = [text lengthOfBytesUsingEncoding:NSUTF8StringEncoding]; //length_utf8值为8

  NSString * text1 = @"刘";
  NSInteger length_utf8 = [text lengthOfBytesUsingEncoding:NSUTF8StringEncoding];//length_utf8值为3

可见在NSUTF8StringEncoding存储形式下的unicode,中文“刘”字，占存储空间为3个字节，字符与数字均为一个字节

OC 字符串编码-中英文字符串混合长度

1.各种编码格式 原理以及发展历史

2.实际使用场景

推荐阅读更多精彩内容

1.各种编码格式原理以及发展历史