如何将十六进制代码转换为二进制代码？ [关闭]

Question

我已经阅读了很多资料，但我仍然对如何计算它感到困惑。 我正在做一个练习，询问：

以下哪些位序列（以十六进制数字表示）代表有效的 UFT-8 字符串，如果它们是有效的 UTF-8 字符串，那么位序列对应多少个代码？

0x30c0
0x303C
0xE0ADAA
0x3AA

Answer 1

第一个定义：UTF-8 将 Unicode 代码点编码为 1 到 6 个字节的序列。

0x30C0 使用十六进制表示法表示 2 个字节。假设字节序列中首先出现的高位字节，这相当于 0x30 后跟 0xC0。你可以用 Python 3 来写：

>>> seq = b"\x30\xC0"
>>> seq
b'0\xc0'

假设这可能是一个 UTF-8 编码的字节流，我们可以试试decode 方法：

>>> seq.decode("UTF-8")
Traceback (most recent call last):
  File "<stdin>", line 1, in <module>
UnicodeDecodeError: 'utf-8' codec can't decode byte 0xc0 in position 1: invalid start byte

？？？不工作。该序列不是正确的 UTF-8。

---

让我们为下一个序列做同样的事情：

>>> seq = b"\x30\x3C"
>>> seq.decode("UTF-8")
'0<'

啊，啊！没有例外。这是正确的 UTF-8，对应于 2 个代码点的字符串 0<。

---

第三个很有趣：

>>> seq = b"\xE0\xAD\xAA"
>>> seq.decode("UTF-8")
'୪'
>>> len(seq.decode("UTF-8"))
1

这 3 个字节仅用于编码一个代码点。 但这是哪个字符……嗯……“代码点”？ Python 有 ord 函数知道：

>>> ord(seq.decode("UTF-8"))
2922

代码点 2922（十进制）。那是十六进制...

>>> "{:04X}".format( ord(seq.decode("UTF-8")) )
'0B6A'

因此字节序列0xE0 0xAD 0xAA 编码为UTF-8 Unicode 代码点U+0B6A。但那是哪个角色？ Python 嵌入了一个模块来查询 Unicode 数据库：

>>> import unicodedata
>>> unicodedata.name( seq.decode("UTF-8") )
'ORIYA DIGIT FOUR'

原来如此：这是digit 4 in Oriya writing system对应的代码点。

Answer 2

这个问题提出的非常糟糕。这些都是数字，而不是字符串。我怀疑这意味着表示字节序列，在这种情况下他们应该把它写成：

0x30 0xc0
0x30 0x3C
0xE0 0xAD 0xAA
0x03 0xAA

...或类似的东西。

如果这实际上是问题的意思（不清楚），那么通过简单的检查就可以看出哪些是无效的 UTF-8：

• 第一个无效。字节 0xc0 永远不是有效的 UTF-8。
• 第二个仅包含 ASCII，因此根据定义，它也是有效的 UTF-8。
• 第三个乍一看是正确的格式（第一个字节大于 0xc1，第二个和第三个字节介于 0x80 和 0xbf 之间）。你可以按照UTF-8的定义，用纸笔解码，看看是否有效。
• 第四个无效：它有一个连续字节0xaa 没有有效的多字节序列的第一个字节。

或者，你可以试着让电脑解码，如果是无效的，就会报错。例如，使用 Python 版本 3，

>>> bytes([0x30,0xc0]).decode('utf-8')
Traceback (most recent call last):
  File "<stdin>", line 1, in <module>
UnicodeDecodeError: 'utf-8' codec can't decode byte 0xc0 in position 1: invalid start byte
>>> bytes([0x30,0x3c]).decode('utf-8')
'0<'
>>> bytes([0xe0,0xad,0xaa]).decode('utf-8')
'୪'
>>> bytes([0x03,0xaa]).decode('utf-8')
Traceback (most recent call last):
  File "<stdin>", line 1, in <module>
UnicodeDecodeError: 'utf-8' codec can't decode byte 0xaa in position 1: invalid start byte
>>>