1diot9's Blog
编码方式学习
1diot9 Lv3
  2025-06-03 15:28:45   2025-06-03 15:30:01    1.8k 字  7 分钟  

前言

学一下utf8等编码方式。

相信大家都接触过乱码文本，就是锟斤拷之类的，这个就是由编码问题导致的。而编码问题的本质，就是用不同的方式读同一段字节，有些可能两个两个字节读，有些可能四个四个字节读。

在CTF里，遇到过UTF8 Overlong Encoding 绕过，也遇到过由于高字节丢弃产生的绕过，但由于对缺乏对编码的知识，所以不是很理解，因此现在来学习一下。

UTF8

UTF-8 是一种可变长度的 Unicode 编码方式，使用 1~4 个字节 表示一个字符，兼容 ASCII，并广泛用于互联网和文件存储。它的设计目标是节省空间（英文字符仅需 1 字节），同时支持所有 Unicode 字符（包括中文、emoji 等）。

UTF-8 的编码规则

UTF-8 的编码方式根据 Unicode 码点（Code Point）的范围，采用不同长度的字节序列：

Unicode 码点范围（十六进制） 码点位数 UTF-8 字节序列格式（二进制） 字节数 示例
U+0000 ~ U+007F 7 bits 0xxxxxxx 1 'A' (0x41)
U+0080 ~ U+07FF 11 bits 110xxxxx 10xxxxxx 2 'é' (0xC3A9)
U+0800 ~ U+FFFF 16 bits 1110xxxx 10xxxxxx 10xxxxxx 3 '你' (0xE4BDA0)
U+10000 ~ U+10FFFF 21 bits 11110xxx 10xxxxxx 10xxxxxx 10xxxxxx 4 '𠀀' (0xF0A08080)

编码步骤

  1. 确定码点范围 → 选择对应的 UTF-8 字节格式。
  2. 将 Unicode 码点转换为二进制，填充到 UTF-8 的模板中。
  3. 转换为十六进制字节，得到最终的 UTF-8 编码。

示例：'你' 的 UTF-8 编码

1. 获取 Unicode 码点

1
ord('你')  # 20320（十进制） → 十六进制 `U+4F60`

2. 确定 UTF-8 编码格式

U+4F60 属于 U+0800 ~ U+FFFF 范围 → 3 字节，格式：

1
1110xxxx 10xxxxxx 10xxxxxx

3. 将 U+4F60 转换为二进制

1
4F60 (十六进制) → 0100 1111 0110 0000 (二进制)

4. 填充 UTF-8 模板

1
2
3
4
码点二进制：0100 111101 100000
填充模板：1110xxxx 10xxxxxx 10xxxxxx
结果：
1110**0100** 10**111101** 10**100000**

5. 转换为十六进制

1
2
3
11100100 → 0xE4
10111101 → 0xBD
10100000 → 0xA0

最终 UTF-8 编码：\xE4\xBD\xA0（3 字节）

Python 验证

1
'你'.encode('utf-8')  # b'\xe4\xbd\xa0'

UTF-8 的特点

  1. 兼容 ASCII：U+0000~U+007F 的字符（如 'A'）编码与 ASCII 完全相同（1 字节）。
  2. 无字节序问题：UTF-8 的字节顺序固定，无需 BOM（但某些编辑器可能添加 EF BB BF 作为标记）。
  3. 空间高效：
    • 英文：1 字节（ASCII 兼容）。
    • 欧洲字符：2 字节（如 'é'）。
    • 中文/日文：3 字节（如 '你'）。
    • 生僻字/emoji：4 字节（如 '𠀀'）。

UTF16

UTF-16 是一种定长或变长的 Unicode 编码方式，使用 2 或 4 字节 表示一个字符。它的核心特点是：

  • 基本多文种平面（BMP）字符（U+0000 ~ U+FFFF）用 2 字节 直接存储。
  • 辅助平面字符（U+10000 ~ U+10FFFF）用 4 字节（代理对，Surrogate Pair）存储。

UTF-16 的编码规则

1. 基本多文种平面（BMP，2 字节）

  • 范围：U+0000 ~ U+FFFF（不包括代理区 U+D800 ~ U+DFFF）。

  • 直接存储：码点数值直接转为 2 字节。

    • 示例：
      • 'A'（U+0041）→ 0x0041（大端：00 41，小端：41 00）
      • '你'（U+4F60）→ 0x4F60（大端：4F 60，小端：60 4F）

辅助平面这个略看一下就行。

2. 辅助平面（4 字节，代理对）

  • 范围：U+10000 ~ U+10FFFF（如 emoji '𠀀' U+20000）。
  • 代理对计算：
    1. 码点减去 0x10000，得到 20 位中间值。
    2. 高 10 位 + 0xD800 → 高位代理（High Surrogate）。
    3. 低 10 位 + 0xDC00 → 低位代理（Low Surrogate）。
    • 示例：
1
2
3
4
5
6
# 计算 '𠀀'（U+20000）的 UTF-16 代理对
code_point = 0x20000
temp = code_point - 0x10000  # 0x10000
high_surrogate = (temp >> 10) + 0xD800  # 0xD840
low_surrogate = (temp & 0x3FF) + 0xDC00  # 0xDC00
# 最终代理对：0xD840 0xDC00

字节序（大端 vs 小端）

UTF-16 的 2 字节或 4 字节序列需要明确字节序：

  • 大端（BE）：高位字节在前（如 0x4F60 → 4F 60）。

  • 小端（LE）：低位字节在前（如 0x4F60 → 60 4F）。

  • BOM（字节顺序标记）：

    • 0xFEFF（大端 BOM，存储为 FE FF）。
    • 0xFFFE（小端 BOM，存储为 FF FE）。

Python 示例

这里遇到过一个坑，python如果只指定utf16，输出是带BOM的，当时不知道，一直想不明白为什么会输出四个字节。

1
2
3
4
5
6
7
8
9
10
11
# 默认 UTF-16（带 BOM，小端）
print('你'.encode('utf-16'))  # b'\xff\xfe\x60\x4f'（BOM + 小端）

# 显式指定大端（无 BOM）
print('你'.encode('utf-16be'))  # b'\x4f\x60'

# 显式指定小端（无 BOM）
print('你'.encode('utf-16le'))  # b'\x60\x4f'

# 辅助平面字符 '𠀀'（U+20000）
print('𠀀'.encode('utf-16be'))  # b'\xd8\x40\xdc\x00'（代理对）

UTF-16 的特点

  1. 定长与变长混合：
    • BMP 字符：2 字节。
    • 辅助平面字符：4 字节（代理对）。
  1. 字节序敏感：需明确大端或小端（或依赖 BOM）。
  2. 适用场景：
    • Windows 系统内部（如 wchar_t）。
    • Java/C# 的字符串内存表示。

UTF-8 vs. UTF-16

特性 UTF-8 UTF-16
最小字节数 1（ASCII） 2（基本字符）
最大字节数 4 4（代理对）
字节序 无（单字节存储） 需考虑大端/小端（BOM）
适用场景 互联网、文本文件、数据库 操作系统内部（如 Windows/Java）

总结

所有字符的Unicode码点是唯一的，可以通过hex(ord(str))的方式得到16进制格式的码点。根据得到的码点，套用不同的编码方式，就可以得到不同编码下的字符。

高位丢失情况

先看一个例子

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
package solution;

public class tmp {
    public static void main(String[] args) {
        StringBuffer stringBuffer = new StringBuffer();
        stringBuffer.append("你");
        char c = stringBuffer.charAt(0);
        System.out.println("字符转十进制整数（Unicode码点的整数形式）："+(int) c);
        String format = String.format("dec转hex：%04x",(int) c);
        System.out.println(format);
        byte c1 = (byte) c;
        System.out.println("转成byte类型（高位丢失,4f60剩60,60转dec就是96）："+c1);
        System.out.println((char) c1);
        byte i = 127;   //byte的范围是-128——127，用的补码表示法
    }
}

输出结果：

1
2
3
4
字符转十进制整数（Unicode码点的整数形式）：20320
dec转hex：4f60
转成byte类型（高位丢失,4f60剩60,60转dec就是96）：96
`

这里很好地展示了高位丢失的情况。因为byte只有八个字节，而char有16个字节（char 在Java中本质上是一个16位的Unicode字符）。

这个性质有时候可以用来绕过一些过滤。比如D^3CTF25的d3jtar那题。

D3CTF-d3jtar | 1diot9’s Blog

UTF8 Overlong Encoding

根据前面学习过的UTF8编码，我们知道，’A’对应的码点是41，转换成二进制就是0010 0001，然后根据0xxxxxxx的方式补位，得到的utf8编码就是0010 0001，转换成16进制就是 41。但是，我们可以在码点前面补零，将A的码点变成0000 0010 0001，然后根据110xxxxx 10xxxxxx补成两个字节。即11000000 10100001

转成16进制就是C0A1

这样就得到了’A’的UTF8 Overlong Encoding形式。

如果没有对UTF8编码进行校验的话，就可以尝试通过这种方法绕过，比如Java的原生反序列化。

参考

UTF-8 Overlong Encoding导致的安全问题 | 离别歌

编码方式学习
2025/06/03/编码方式学习/
作者
1diot9
发布于
2025-06-03 15:28
许可
  1. 1. 前言
  2. 2. UTF8
    1. 2.1. UTF-8 的编码规则
      1. 2.1.1. 编码步骤
    2. 2.2. 示例：'你' 的 UTF-8 编码
      1. 2.2.1. 1. 获取 Unicode 码点
      2. 2.2.2. 2. 确定 UTF-8 编码格式
      3. 2.2.3. 3. 将 U+4F60 转换为二进制
      4. 2.2.4. 4. 填充 UTF-8 模板
      5. 2.2.5. 5. 转换为十六进制
      6. 2.2.6. Python 验证
    3. 2.3. UTF-8 的特点
  3. 3. UTF16
    1. 3.1. UTF-16 的编码规则
      1. 3.1.1. 1. 基本多文种平面（BMP，2 字节）
      2. 3.1.2. 2. 辅助平面（4 字节，代理对）
    2. 3.2. 字节序（大端 vs 小端）
    3. 3.3. Python 示例
    4. 3.4. UTF-16 的特点
  4. 4. UTF-8 vs. UTF-16
  5. 5. 总结
  6. 6. 高位丢失情况
  7. 7. UTF8 Overlong Encoding
  8. 8. 参考
© 2025    1diot9
由 Hexo 驱动 & 主题 Keep
本站由 提供部署服务
总字数 22.8k 访客数 访问量
  1. 1. 前言
  2. 2. UTF8
    1. 2.1. UTF-8 的编码规则
      1. 2.1.1. 编码步骤
    2. 2.2. 示例：'你' 的 UTF-8 编码
      1. 2.2.1. 1. 获取 Unicode 码点
      2. 2.2.2. 2. 确定 UTF-8 编码格式
      3. 2.2.3. 3. 将 U+4F60 转换为二进制
      4. 2.2.4. 4. 填充 UTF-8 模板
      5. 2.2.5. 5. 转换为十六进制
      6. 2.2.6. Python 验证
    3. 2.3. UTF-8 的特点
  3. 3. UTF16
    1. 3.1. UTF-16 的编码规则
      1. 3.1.1. 1. 基本多文种平面（BMP，2 字节）
      2. 3.1.2. 2. 辅助平面（4 字节，代理对）
    2. 3.2. 字节序（大端 vs 小端）
    3. 3.3. Python 示例
    4. 3.4. UTF-16 的特点
  4. 4. UTF-8 vs. UTF-16
  5. 5. 总结
  6. 6. 高位丢失情况
  7. 7. UTF8 Overlong Encoding
  8. 8. 参考