woaidongmao

在修改一個cms的過程當(dāng)中遇到一個php截取字符串的函數(shù)（當(dāng)然得兼容中英字符了），因為對各種編碼的字符范圍和字符表示不清楚，感覺一頭迷霧，雖然可以直接來調(diào)用這個函數(shù)
但是我這個的特點是追究原理，我在乎的事情都想弄明白，于是各個qq群依次發(fā)信息，沒人理會。唉，郁悶。只好自己google it and teach myself 。下面是詳細(xì)介紹。
還有對各方求助沒有人理會，我有些個人想法?，F(xiàn)在的人已經(jīng)很少有人去深究理論了，人們的觀念是得過且過，人們通常只是知道什么，不知道為什么。對編程來說，個人認(rèn)為這是很悲哀的事情，也是非常危險的事情。我想可能這也是中國的IT落后于美國的原因，我希望中國的編程人員能夠好好想想了。

下面的東西是從網(wǎng)上查到的

Unicode 的編碼和實現(xiàn)

大概來說，Unicode 編碼系統(tǒng)可分為編碼方式和實現(xiàn)方式兩個層次。

編碼方式

Unicode 的編碼方式與 ISO 10646 的通用字符集（Universal Character Set，UCS）概念相對應(yīng)，目前實際應(yīng)用的 Unicode 版本對應(yīng)于 UCS-2，使用16位的編碼空間。也就是每個字符占用2個字節(jié)。這樣理論上一共最多可以表示 216 即 65536 個字符。基本滿足各種語言的使用。實際上目前版本的 Unicode 尚未填充滿這16位編碼，保留了大量空間作為特殊使用或?qū)頂U(kuò)展。

上述16位 Unicode 字符構(gòu)成基本多文種平面（Basic Multilingual Plane，簡稱 BMP）。最新（但未實際廣泛使用）的 Unicode 版本定義了16個輔助平面，兩者合起來至少需要占據(jù)21位的編碼空間，比3字節(jié)略少。但事實上輔助平面字符仍然占用4字節(jié)編碼空間，與 UCS-4 保持一致。未來版本會擴(kuò)充到 ISO 10646-1 實現(xiàn)級別3，即涵蓋 UCS-4 的所有字符。UCS-4 是一個更大的尚未填充完全的31位字符集，加上恒為0的首位，共需占據(jù)32位，即4字節(jié)。理論上最多能表示 231 個字符，完全可以涵蓋一切語言所用的符號。

BMP 字符的 Unicode 編碼表示為 U+hhhh，其中每個 h 代表一個十六進(jìn)制數(shù)位。與 UCS-2 編碼完全相同。對應(yīng)的4字節(jié) UCS-4 編碼后兩個字節(jié)一致，前兩個字節(jié)的所有位均為0。

關(guān)于 Unicode 和 ISO 10646 及 UCS 的詳細(xì)關(guān)系 ，請參看通用字符集。

實現(xiàn)方式

Unicode 的實現(xiàn)方式不同于編碼方式。一個字符的 Unicode 編碼是確定的。但是在實際傳輸過程中，由于不同系統(tǒng)平臺的設(shè)計不一定一致，以及出于節(jié)省空間的目的，對 Unicode 編碼的實現(xiàn)方式有所不同。Unicode 的實現(xiàn)方式稱為Unicode轉(zhuǎn)換格式（Unicode Translation Format，簡稱為 UTF）。

例如，如果一個僅包含基本7位ASCII字符的 Unicode 文件，如果每個字符都使用2字節(jié)的原 Unicode 編碼傳輸，其第一字節(jié)的8位始終為0。這就造成了比較大的浪費。對于這種情況，可以使用 UTF-8 編碼，這是一種變長編碼，它將基本7位ASCII字符仍用7位編碼表示，占用一個字節(jié)（首位補0）。而遇到與其他 Unicode 字符混合的情況，將按一定算法轉(zhuǎn)換，每個字符使用1-3個字節(jié)編碼，并利用首位為0或1進(jìn)行識別。這樣對以7位ASCII字符為主的西文文檔就大大節(jié)省了編碼長度（具體方案參見UTF-8）。類似的，對未來會出現(xiàn)的需要4個字節(jié)的輔助平面字符和其他 UCS-4 擴(kuò)充字符，2字節(jié)編碼的 UTF-16 也需要通過一定的算法進(jìn)行轉(zhuǎn)換。

再如，如果直接使用與 Unicode 編碼一致（僅限于 BMP 字符）的 UTF-16 編碼，由于每個字符占用了兩個字節(jié)，在Macintosh (Mac)機(jī)和PC機(jī)上，對字節(jié)順序的理解是不一致的。這時同一字節(jié)流可能會被解釋為不同內(nèi)容，如某字符為十六進(jìn)制編碼4E59，按兩個字節(jié)拆分為4E和59，在Mac上讀取時是從低字節(jié)開始，那么在Mac OS會認(rèn)為此4E59編碼為594E，找到的字符為“奎”，而在Windows上從高字節(jié)開始讀取，則編碼為 U+4E59 的字符為“乙”。就是說在Windows下以UTF-16編碼保存一個字符“乙”，在Mac OS里打開會顯示成“奎”。此類情況說明UTF-16的編碼順序若不加以人為定義就可能發(fā)生混淆，于是在 UTF-16 編碼實現(xiàn)方式中使用了大尾序（Big-Endian， 簡寫為UTF-16 BE）、小尾序（Little-Endian, 簡寫為UTF-16 LE）的概念，以及可附加的BOM（Byte Order Mark）解決方案，目前在PC機(jī)上的Windows系統(tǒng)和Linux系統(tǒng)對于UTF-16編碼默認(rèn)使用UTF-16 LE。（具體方案參見UTF-16）

此外 Unicode 的實現(xiàn)方式還包括 UTF-7、Punycode、CESU-8、SCSU、UTF-32等，這些實現(xiàn)方式有些僅在一定的國家和地區(qū)使用，有些則屬于未來的規(guī)劃方式。目前通用的實現(xiàn)方式是 UTF-16小尾序（BOM）、UTF-16大尾序（BOM）和 UTF-8。在微軟公司Windows XP操作系統(tǒng)附帶的記事本（Notepad）中，“另存為”對話框可以選擇的四種編碼方式除去非 Unicode 編碼的ANSI（對于英文系統(tǒng)即ASCII編碼，中文系統(tǒng)則為GB2312或Big5編碼）外，其余三種為“Unicode”（對應(yīng)UTF-16 LE）、“Unicode big endian”（對應(yīng)UTF-16 BE）和“UTF-8”。

目前輔助平面的工作主要集中在第二和第三平面的中日韓統(tǒng)一表意文字中，因此包括GBK、GB18030、Big5等簡體中文、繁體中文、日文、韓文以及越南喃字的各種編碼與 Unicode 的協(xié)調(diào)性被重點關(guān)注?？紤]到 Unicode 最終要涵蓋所有的字符，從某種意義而言，這些編碼方式也可視作 Unicode 的出現(xiàn)于其之前的既成事實的實現(xiàn)方式，如同ASCII及其擴(kuò)展Latin-1一樣，后兩者的字符在16位 Unicode 編碼空間中的編碼第一字節(jié)各位全為0，第二字節(jié)編碼與原編碼完全一致。但上述東亞語言編碼與 Unicode 編碼的對應(yīng)關(guān)系要復(fù)雜得多。

utf-8

UTF-8（8 位元 Universal Character Set／Unicode Transformation Format）是一種針對 Unicode 的可變長度字符編碼。它可以用來表示 Unicode 標(biāo)準(zhǔn)中的任何字符，且其編碼中的第一個字節(jié)仍與 ASCII 相容，這使得原來處理 ASCII 字符的軟件無須或只須做少部份修改，即可繼續(xù)使用。因此，它逐漸成為電子郵件、網(wǎng)頁及其他儲存或傳送文字的應(yīng)用中，優(yōu)先采用的編碼。

UTF-8 使用一至四個字節(jié)為每個字符編碼：

   1. 128 個 US-ASCII 字符只需一個字節(jié)編碼（Unicode 范圍由 U+0000 至 U+007F）。
   2. 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二個字節(jié)編碼（Unicode 范圍由 U+0080 至 U+07FF）。
   3. 其他基本多文種平面（BMP）中的字符（這包含了大部分常用字）使用三個字節(jié)編碼。
   4. 其他極少使用的 Unicode 輔助平面的字符使用四字節(jié)編碼。

對上述提及的第四種字符而言，UTF-8 使用四個字節(jié)來編碼似乎太耗費資源了。但 UTF-8 對所有常用的字符都可以用三個字節(jié)表示，而且它的另一種選擇，UTF-16編碼，對前述的第四種字符同樣需要四個字節(jié)來編碼，所以要決定 UTF-8 或 UTF-16 哪種編碼比較有效率，還要視所使用的字符的分布范圍而定。不過，如果使用一些傳統(tǒng)的壓縮系統(tǒng)，比如 DEFLATE，則這些不同編碼系統(tǒng)間的的差異就變得微不足道了。若顧及傳統(tǒng)壓縮算法在壓縮較短文字上的效果不大，可以考慮使用 Standard Compression Scheme for Unicode（SCSU）。

Unicode字符的位元被分割為數(shù)個部分，并分配到UTF-8的字節(jié)串中較低的位元的位置。在U+0080的以下字符都使用內(nèi)含其字符的單字節(jié)編碼。這些編碼正好對應(yīng)7位元的ASCII字符。在其他情況，有可能需要多達(dá)4個字符組來表示一個字符。這些多字節(jié)的最高有效位元會設(shè)定成1，以防止與7位元的ASCII字符混淆，并保持標(biāo)準(zhǔn)的字節(jié)主導(dǎo)字串（standard byte-oriented string）運作順利。

^{Note 1} Unicode在范圍D800-DFFF中不存在任何字符，基本多文種平面中約定了這個范圍用于UTF-16擴(kuò)展標(biāo)識輔助平面（兩個UTF-16表示一個輔助平面字符）。當(dāng)然，任何編碼都是可以被轉(zhuǎn)換到這個范圍，但在unicode中他們并不代表任何合法的值。

以上這個表是php截取utf-8字符串的關(guān)鍵，根據(jù)每個字節(jié)的前幾位的數(shù)字決定該字符占幾個字節(jié)（utf-8的編碼有點類似于5類IP地址的編碼）

例如，希伯來語字母 aleph（?）的Unicode代碼是 U+05D0，按照以下方法改成 UTF-8:

    * 它屬于 U+0080到U+07FF區(qū)域，這個表說明它使用雙字節(jié)，110yyyyy 10zzzzzz.
    * 十六進(jìn)制 的 0x05D0換算成二進(jìn)制就是 101-1101-0000.
    * 這11位數(shù)按順序放入"y"部分和"z"部分：11010111 10010000.
    * 最后結(jié)果就是雙字節(jié)，用十六進(jìn)制寫起來就是 0xD7 0x90，這就是這個字符aleph（?）的UTF-8編碼。

所以開始的128個字符（US-ASCII）只需一字節(jié)，接下來的1920個字符需要雙字節(jié)編碼，包括帶附加符號的拉丁字母，希臘字母，西里爾字母，科普特語字母，亞美尼亞語字母，希伯來文字母和阿拉伯字母的字符?；径辔姆N平面中其余的字符使用三個字節(jié)，剩余字符使用四個字節(jié)。

設(shè)計UTF-8的理由（utf-8的特點）

UTF-8的設(shè)計有以下的多字符組序列的特質(zhì)：

    * 單字節(jié)字符的最高有效位元永遠(yuǎn)為0。
    * 多字節(jié)序列中的首個字符組的幾個最高有效位元決定了序列的長度。最高有效位為110的是2字節(jié)序列，而1110的是三字節(jié)序列，如此類推。
    * 多字節(jié)序列中其余的字節(jié)中的首兩個最高有效位元為10。

UTF-8的這些特質(zhì)，保證了一個字符的字節(jié)序列不會包含在另一個字符的字節(jié)序列中。這確保了以字節(jié)為基礎(chǔ)的部份字串比對（sub-string match）方法可以適用于在文字中搜尋字或詞。有些比較舊的可變長度8位元編碼（如Shift JIS）沒有這個特質(zhì)，故字串比對的算法變得相當(dāng)復(fù)雜。雖然這增加了UTF-8編碼的字串的信息冗余，但是利多于弊。另外，資料壓縮并非Unicode 的目的，所以不可混為一談。即使在傳送過程中有部份字節(jié)因錯誤或干擾而完全遺失，還是有可能在下一個字符的起點重新同步，令受損范圍受到限制。

另一方面，由于其字節(jié)序列設(shè)計，如果一個疑似為字符串的序列被驗證為UTF-8編碼，那么我們可以有把握地說它是UTF-8字符串。一段兩字節(jié)隨機(jī)序列碰巧為合法的UTF-8而非ASCII 的機(jī)率為32分1。對于三字節(jié)序列的機(jī)率為256分3，對更長的序列的機(jī)率就更低了。

        * 在ASCII碼的范圍，用一個字節(jié)表示，超出ASCII碼的范圍就用字節(jié)表示，這就形成了我們上面看到的UTF-8的表示方法，這様?shù)暮锰幨钱?dāng) UNICODE文件中只有ASCII碼時，儲存的文件都為一個字節(jié)，所以就是普通的ASCII文件無異，讀取的時候也是如此，所以能與以前的ASCII文件相容。

        * 大于ASCII碼的，就會由上面的第一字節(jié)的前幾位表示該unicode字符的長度，比如110xxxxxx前三位的二進(jìn)制表示告訴我們這是個 2BYTE的UNICODE字符；1110xxxx是個三位的UNICODE字符，依此類推；xxx 的位置由字符編碼數(shù)的二進(jìn)制表示的位填入。越靠右的 x 具有越少的特殊意義。只用最短的那個足夠表達(dá)一個字符編碼數(shù)的多字節(jié)串。注意在多字節(jié)串中，第一個字節(jié)的開頭"1"的數(shù)目就是整個串中字節(jié)的數(shù)目。。

utf-8的特性

·         UCS 字符 U+0000 到 U+007F (ASCII) 被編碼為字節(jié) 0x00 到 0x7F（ASCII 兼容），這也意味著只包含 7 位 ASCII 字符的文件在 ASCII 和 UTF-8 兩種編碼方式下是一樣的。

·         所有 >U+007F 的 UCS 字符被編碼為一個多個字節(jié)的串，每個字節(jié)都有標(biāo)記位集。因此，ASCII 字節(jié) (0x00-0x7F) 不可能作為任何其他字符的一部分。

·         表示非 ASCII 字符的多字節(jié)串的第一個字節(jié)總是在 0xC0 到 0xFD 的范圍里，并指出這個字符包含多少個字節(jié)。多字節(jié)串的其余字節(jié)都在 0x80 到 0xBF 范圍里，這使得重新同步非常容易，并使編碼無國界，且很少受丟失字節(jié)的影響。

·         可以編入所有可能的 231個 UCS 代碼

·         UTF-8 編碼字符理論上可以最多到 6 個字節(jié)長，然而 16 位 BMP 字符最多只用到 3 字節(jié)長。

·         Bigendian UCS-4 字節(jié)串的排列順序是預(yù)定的。

·         字節(jié) 0xFE 和 0xFF 在 UTF-8 編碼中從未用到，同時，UTF-8以字節(jié)為編碼單元，它的字節(jié)順序在所有系統(tǒng)中都是一様?shù)?，沒有字節(jié)序的問題，也因此它實際上并不需要BOM。

·         與 UTF-16 或其他 Unicode 編碼相比，對于不支援 Unicode 和 XML 的系統(tǒng)，UTF-8 更不容易造成問題。

gb18030

與GB 2312-1980完全兼容，與GBK基本兼容，支持GB 13000及Unicode的全部統(tǒng)一漢字，共收錄漢字70244個。

GB 18030主要有以下特點：

·         采用多字節(jié)編碼，每個字可以由1個、2個或4個字節(jié)組成。（變長編碼）

·         編碼空間龐大，最多可定義161萬個字符。

·         支持中國國內(nèi)少數(shù)民族的文字，不需要動用造字區(qū)。

字節(jié)結(jié)構(gòu)

·         單字節(jié)，其值從0到0x7F。

·         雙字節(jié)，第一個字節(jié)的值從0x81到0xFE，第二個字節(jié)的值從0x40到0xFE（不包括0x7F）。

·         四字節(jié)，第一個字節(jié)的值從0x81到0xFE，第二個字節(jié)的值從0x30到0x39，第三個字節(jié)從0x81到0xFE，第四個字節(jié)從0x30到0x39。

gb2312

GB2312編碼通行于中國大陸；新加坡等地也采用此編碼。中國大陸幾乎所有的中文系統(tǒng)和國際化的軟件都支持GB 2312。

GB 2312標(biāo)準(zhǔn)共收錄6763個漢字，其中一級漢字3755個，二級漢字3008個；同時，GB 2312收錄了包括拉丁字母、希臘字母、日文平假名及片假名字母、俄語西里爾字母在內(nèi)的682個全角字符。

GB 2312的出現(xiàn)，基本滿足了漢字的計算機(jī)處理需要，它所收錄的漢字已經(jīng)覆蓋中國大陸99.75%的使用頻率。

對于人名、古漢語等方面出現(xiàn)的罕用字，GB 2312不能處理，這導(dǎo)致了后來GBK及GB 18030漢字字符集的出現(xiàn)。

GB 2312中對所收漢字進(jìn)行了“分區(qū)”處理，每區(qū)含有94個漢字／符號。這種表示方式也稱為區(qū)位碼。

·         01-09區(qū)為特殊符號。

·         16-55區(qū)為一級漢字，按拼音排序。

·         56-87區(qū)為二級漢字，按部首／筆畫排序。

10-15區(qū)及88-94區(qū)則未有編碼。

舉例來說，“啊”字是GB2312之中的第一個漢字，它的區(qū)位碼就是1601。

字節(jié)結(jié)構(gòu)

在使用GB2312的程序中，通常采用EUC儲存方法，以便兼容于ASCII。瀏覽器編碼表上的“GB2312”，通常都是指“EUC-CN”表示法。

每個漢字及符號以兩個字節(jié)來表示。第一個字節(jié)稱為“高位字節(jié)”，第二個字節(jié)稱為“低位字節(jié)”。

“高位字節(jié)”使用了0xA1-0xF7（把01-87區(qū)的區(qū)號加上0xA0），“低位字節(jié)”使用了0xA1-0xFE（把01-94加上 0xA0）。由于一級漢字從16區(qū)起始，漢字區(qū)的“高位字節(jié)”的范圍是0xB0-0xF7，“低位字節(jié)”的范圍是0xA1-0xFE，占用的碼位是 72*94=6768。其中有5個空位是D7FA-D7FE。

例如“啊”字在大多數(shù)程序中，會以兩個字節(jié)，0xB0（第一個字節(jié)）0xA1（第二個字節(jié)）儲存。（與區(qū)位碼對比：0xB0=0xA0+16,0xA1=0xA0+1）。

EUC-CN（網(wǎng)上下到的編碼表就是這個）（gb2312的字符串截取也是按照該表截取的）

EUC-CN是GB 2312最常用的表示方法。瀏覽器編碼表上的“GB2312”，通常都是指“EUC-CN”表示法。

GB 2312字符使用兩個字節(jié)來表示。

“第一位字節(jié)”使用0xA1-0xF7

“第二位字節(jié)”使用0xA1-0xFE

舉例來說，“啊”字是GB 2312之中的第一個漢字，它的區(qū)位碼是1601。

在EUC-CN之中，它把0xA0+16=0xB0,0xA0+1=0xA1，得出0xB0A1