UTF-8和ISO-8859-1有什么区别？

UTF-8和ISO-8859-1有什么区别？

UTF-8是一种多字节编码，可以表示任何Unicode字符。ISO 8859-1是单字节编码，可以表示前256个Unicode字符。两者对ASCII的编码方式完全相同。

Wikipedia很好地解释了两者：UTF-8与Latin-1（ISO-8859-1）。前者是可变长度编码，后者是单字节固定长度编码。Latin-1仅编码Unicode字符集的前256个代码点，而UTF-8可以用于编码所有代码点。在物理编码级别上，只有0-127的代码点得到相同的编码。代码点128-255的不同之处在于，使用UTF-8变成2字节序列，而使用Latin-1则变为单字节。

UTF

UTF是一系列多字节编码方案，可以表示Unicode代码点，最多可以表示2 ^ 31 [大约20亿]个字符。UTF-8是一种灵活的编码系统，使用1到4个字节表示前2 ^ 21 [大约200万]个代码点。

长话短说：任何代码点/序号表示低于127（又名7位安全ASCII）的字符都由与大多数其他单字节编码相同的1字节序列表示。代码点高于127的任何字符都由两个或多个字节组成的序列表示，此处详细说明了编码的细节。

ISO-8859

ISO-8859是一系列单字节编码方案，用于表示可以在127到255范围内表示的字母。这些各种字母被定义为ISO-8859- n格式中的“部分”，这是最常见的这些可能是ISO-8859-1又名“ Latin-1”。与UTF-8一样，无论使用哪种编码系列，7位安全ASCII都不会受到影响。

这种编码方案的缺点是无法容纳由128个以上的符号组成的语言，或者一次不能安全地显示一个以上的符号系列。同样，随着UTF的兴起，ISO-8859编码也不再受欢迎。负责它的ISO“工作组”于2004年解散，由其上级小组委员会负责维护工作。

• ASCII：7位。128个代码点。

• ISO-8859-1：8位。256个代码点。

• UTF-8：8-32位（1-4字节）。1,112,064代码点。

ISO-8859-1和UTF-8都与ASCII向后兼容，但是UTF-8与ISO-8859-1却不兼容：

#!/usr/bin/env python3

c = chr(0xa9)
print(c)
print(c.encode('utf-8'))
print(c.encode('iso-8859-1'))

输出：

©
b'\xc2\xa9'
b'\xa9'

ISO-8859-1是1980年代的遗留标准。它只能代表256个字符，因此仅适用于西方世界的某些语言。即使对于许多受支持的语言，也缺少一些字符。如果使用此编码创建文本文件并尝试复制/粘贴一些汉字，则会看到奇怪的结果。所以换句话说，不要使用它。Unicode已经占据了全世界，而UTF-8几乎是当今的标准，除非您有一些遗留的原因（例如HTTP标头需要与所有内容兼容）。

从另一个角度来看，由于unicode和ascii编码中都包含一个字节0xc0，因此它们均无法读取，因此iso-8859-1似乎可以正确读取。需要注意的是，该文件中当然不应包含Unicode字符。

要实现的另一件重要事情：如果看到的话iso-8859-1，它可能是指Windows-1252，而不是ISO / IEC 8859-1。它们的范围为0x80–0x9F，其中ISO 8859-1具有C1控制代码，而Windows-1252具有有用的可见字符。

例如，ISO 8859-1的控制字符为0x85（在Unicode中为U + 0085，``''），而Windows-1252在水平方向上则使用省略号（在Unicode中为U + 2026水平椭圆， …）。

在WHATWG编码规范（13759 HTML）明确声明iso-8859-1是一个标签windows-1252，和Web浏览器不支持ISO 8859-1以任何方式：HTML规范说，在编码规范所有编码必须得到支持，并没有更多的。

同样有趣的是，HTML数字字符引用本质上将Windows-1252用于8位值，而不是Unicode代码点。每https://html.spec.whatwg.org/#numeric-character-reference-end-state，…会产生U + 2026而不是U + 0085。

我研究这个问题的原因是从角度来看的，它们以什么方式兼容。Latin1字符集（iso-8859）100％兼容，可以存储在utf8数据存储区中。所有ascii和extended-ascii字符都将存储为单字节。

相反，从utf8到Latin1字符集可能有效，也可能无效。如果有任何2字节字符（超出扩展的ASCII 255的字符），它们将不会存储在Latin1数据存储区中。