UTF-8：修訂版本之間的差異

2023年8月9日 (三) 17:42的最新修訂版本

特殊字元

有 HTML 或 URL 意涵的字元

碼位與字元

UTF-8編碼位元組含義：

• ◽◾◾◾◾◾◾◾，對於UTF-8編碼中的任意位元組B，如果B的第一位為0，則B獨立的表示一個字元(ASCII碼)；
• ◾◽??????，128~191，如果B的第一位為1，第二位為0，則B為一個多位元組字元中的一個位元組(非ASCII字元)；

識別位元固定為 128 ，表值 0~63。

• ◾◾◽?????，192~223，如果B的前兩位為1，第三位為0，則B為兩個位元組表示的字元中的第一個位元組；

識別位元固定為 192 ，(0~31)×64。

• ◾◾◾◽????，224~239，如果B的前三位為1，第四位為0，則B為三個位元組表示的字元中的第一個位元組；
• ◾◾◾◾◽???，240~247，如果B的前四位為1，第五位為0，則B為四個位元組表示的字元中的第一個位元組；

組成字(以「瓦」的中文 3 byte 為例)：

1. 第一 byte 231， 231-224=7 ，單位 4096
2. 第二 byte 147， 147-128=19 ，單位 64
3. 第三 byte 166， 166-128=38 ，單位 1

字碼 = 7×4096+19×64+38=29926 ，字碼寫成 瓦

顯示編碼位的方法：

以 PHP 為例。

(一)由整數碼位生成對應的字符

1. chr(整數碼位)：產生單 byte 字元，如 ASCII、ISO-8859 或 Windows 1252。整數由 0~255 。無法通過傳遞一個 Unicode 碼位值來產生多位元組編碼 (像是 UTF-8 或 UTF-16) 字串。超過有效範圍 (0~255) 的值將用以下演算法處理：

   	while($bytevalue < 0){$bytevalue += 256;}
   	$bytevalue %= 256;

   運用多個chr(…)連接可以得到多 byte UTF-8 字符，如「echo chr(240).chr(159).chr(144).chr(152);」會得到「🐘」。
   碼位寬度有幾 byte 和顯示字型有多寬無關。
2. mb_chr(整數碼位,'UTF-8')：在啟用了 mbstring 擴展的前提下，可以使用。即使是控制碼也生成。
3. &#整數碼位;：
4. html_entity_decode('&#整數碼位;', ENT_NOQUOTES, 'UTF-8')

(二)找出字符的碼位

1. ord(字串)：轉換字串第一個位元組為某個碼位 (0~255 之間的值)
2. mb_ord(字串, '編碼')：獲取字串的第一個字元在某一種 Unicode 編碼中的碼位值。編碼可以是 UTF-8、ISO-8859-1、Windows-1252。
3. htmlentities(字串[,flags,'字符集',是否轉換])：將字串中的特殊字元轉換為 HTML 轉義字元(&#…;)

1 位元組編碼：

0~31 控制字元

32~127 顯示字元

2 位元組編碼：

等價

： 「◾◾◽◽◽◽◽◽,◾◽??????」與「◽◽??????」皆合法且等價

1. https://graphemica.com/%C2%A1
2. https://www.ascii-code.com/
3. http://jendo.org/study/showChar.html
4. http://jendo.org/study/seeDecode.php