|
 
- UID
- 1
- 帖子
- 738
- 精华
- 28
- 积分
- 14191
- 金币
- 2386
- 威望
- 1647
- 贡献
- 1334
|
HTML语言:什么是Unicode 什么是UTF-8
Unicode和UTF-8在制作网页中对于很多人不是很了解，到底是什么样的概念希望通过本文可以让大家了解，首先说明一下现在常用的一些编码方案：
: v a0 j& t% d9 R) f6 a6 { y, }, I7 c7 {
1、在中国，大陆最常用的就是GBK18030编码，除此之外还有GBK，GB2312，这几个编码的关系是这样的。" `) m' U0 a# }
' z) n% u: `3 J- E; {, Y
最早制定的汉字编码是GB2312，包括6763个汉字和682个其它符号；95年重新修订了编码，命名GBK1.0，共收录了21886个符号。之后又推出了GBK18030编码，共收录了27484个汉字，同时还收录了藏文、蒙文、维吾尔文等主要的少数民族文字，现在WINDOWS平台必需要支持 GBK18030编码。按照GBK18030、GBK、GB2312的顺序，3种编码是向下兼容，同一个汉字在三个编码方案中是相同的编码。
5 L! ?2 i& F3 y' l5 U8 H% M
+ u% \( E* V7 A 2、台湾，香港等地使用的是BIG5编码
0 W5 _+ L6 C2 r* _ f4 `9 ~1 X; E4 h2 ~! ?! _ H
3、日本：SJIS编码0 P$ H: L \* d3 x: X# R2 _
1 V, W3 T! k- @6 {
如果把各种文字编码形容为各地的方言，那么Unicode就是世界各国合作开发的一种语言。8 p9 T' q: n; q/ w( a. a
2 @( u: @5 @1 @) Y( h* h b9 O
在这种语言环境下，不会再有语言的编码冲突，在同屏下，可以显示任何语言的内容，这就是Unicode的最大好处。那么Unicode是如何编码的呢? 其实非常简单。就是将世界上所有的文字用2个字节统一进行编码。可能你会问，2个字节最多能够表示65536个编码，够用吗?韩国和日本的大部分汉字都是从中国传播过去的，字型是完全一样的。 比如：“文”字，GBK和SJIS中都是同一个汉字，只是编码不同而已。那样，像这样统一编码，2个字节就已经足够容纳世界上所有的语言的大部分文字了。) R7 z- ? i/ l- v8 v3 ]! f( k
1 z' I; u( u/ p0 ? Unicode的学名是"Universal Multiple-Octet Coded Character Set"，简称为UCS。0 [' i8 Q, m6 _8 q% W# b% W% u, F3 e& j
/ H1 J( `9 ]. D! G 现在用的是UCS-2，即2个字节编码，而UCS-4是为了防止将来2个字节不够用才开发的。UCS-2也称为基本多文种平面，转换到UCS-4只是简单的在前面加2个字节0。UCS-4则主要用于保存辅助平面，例如Unicode 4.0中的第二辅助平面; h) K9 ?/ H9 k' S& t0 L
# b9 L0 b. [+ k# {6 Q+ _
20000-20FFF - 21000-21FFF - 22000-22FFF - 23000-23FFF - 24000-24FFF - 25000-25FFF - 26000-26FFF - 27000-27FFF - 28000-28FFF - 29000-29FFF - 2A000-2AFFF - 2F000-2FFFF9 X, c) R6 E9 u' G7 Q; @
+ `* @8 d+ D' y7 Y2 i
总共增加了16个辅助平面，由原先的65536个编码扩展至将近100万编码。那么既然统一了编码，如何兼容原先各国的文字编码呢?这个时候就需要codepage了。/ w: P0 O' }! ?! w2 x8 S
3 G% W7 i3 H+ q7 R3 K5 G 什么是codepage?codepage就是各国的文字编码和Unicode之间的映射表。/ J# J/ h% c' R2 h/ c0 {+ o
/ ?1 l$ v8 ]. i( M6 c: K+ C1 K6 u
比如简体中文和Unicode的映射表就是CP936，点这里查看官方的映射表；以下是几个常用的codepage，相应的修改上面的地址的数字即可。; u2 i' S1 X! Z/ g% F% v3 @0 H
8 j' ]+ |+ c4 p% ^. c/ l
codepage=936 简体中文GBK3 I4 F5 v! I" o7 L
7 P1 g+ S6 e! | codepage=950 繁体中文BIG50 f( U! z6 w6 {
9 T0 }- S" H+ W0 G
codepage=437 美国/加拿大英语
( l! v/ g( J$ M, W/ F' V. S3 m s/ e/ ]; L
codepage=932 日文
& N& a- M1 f5 { y5 O2 y7 Q/ k% ^
! I# W9 z4 c8 i5 F codepage=949 韩文
/ Y7 i% C/ w4 u. y; z! J: W; a# R* D" p0 x& O: I. L
codepage=866 俄文
) }" [, S5 V+ q7 J# L
2 u( r9 T8 O @ codepage=65001 unicode UFT-8* M) l' h+ P0 k4 s8 v+ k7 ?
/ O! M2 {% u' G: a
最后一个65001，据个人理解，应该只是一个虚拟的映射表，实际只是一个算法而已。2 J& c; P$ }$ Z, g9 r/ Z: A$ _: J
3 ]! k- s1 X/ i/ ]
从936中随意取一行，例如：
! U, k& H: v' e! u% E& s$ W$ `% }7 t& |# G
0x9993 0x6ABD #CJK UNIFIED IDEOGRAPH
' S0 Z: u# N; e$ Q8 n$ I6 i7 y- r1 j2 a h0 q$ X3 v1 ?
前面的编码是GBK的编码，后面的是Unicode。通过查这张表，就能简单的实现GBK和Unicode之间的转换。, \0 l9 J- I) F5 `! ^$ g% J& H
$ F+ z9 B6 R& K) x, F# h5 R 现在明白了Unicode，那么UTF-8又是什么呢?又为什么会出现UTF-8呢?$ e% g) N( u, Q$ }
& c9 Q: h, a4 |2 P/ B' @
ASCII转换成UCS-2，只是在编码前插入一个0x0。用这些编码，会包括一些控制符，比如 或 /，这在UNIX和一些C函数中，将会产生严重错误。因此可以肯定，UCS-2不适合作为Unicode的外部编码。因此，才诞生了UTF-8。那么 UTF-8是如何编码的?又是如何解决UCS-2的问题呢?( y0 R! Q; V4 `/ U# C
& S. G& A3 w- K+ g3 G/ S+ V9 R 例：
- B3 z P# S1 d4 X9 T1 L
) ~, _5 j/ ? I B/ b E4 BD A0 11100100 10111101 10100000
' t9 |& z' V2 {7 P' B- g+ o. U: D' T1 j4 o3 j
这是“你”字的UTF-8编码' r; o0 I! i6 J2 Z0 _( M
; \9 D" e& ]. H% h2 W
4F 60 01001111 01100000
( ?4 V/ R/ y: [$ Y( X1 ~; l2 j L# r! {, Y& h; o$ W0 k8 F+ B
这是“你”的Unicode编码8 a7 x ^* L4 V
0 c: ?+ Y4 [8 ` 按照UTF-8的编码规则，分解如下：xxxx0100 xx111101 xx100000，把除了x之外的数字拼接在一起，就变成“你”的Unicode编码了。注意UTF-8的最前面3个1，表示整个UTF-8串是由3个字节构成的。经过UTF-8编码之后，再也不会出现敏感字符了，因为最高位始终为1。" p- I, h; t3 X& ? `0 F' S+ m% b: E) `
0 |5 n) J: x B Z9 l1 H, L 以下是Unicode和UTF-8之间的转换关系表：/ u( b" [' I8 X/ T) l
3 Y& U& D0 P1 `7 e U-00000000 - U-0000007F: 0xxxxxxx
8 x0 l" `3 g1 _( ~/ z
8 z1 O- k) |" A5 r% _2 d* F6 |/ j U-00000080 - U-000007FF: 110xxxxx 10xxxxxx
, k4 S0 E' c; Z1 C0 G- R
0 K, ], c$ {! p8 _1 ` U-00000800 - U-0000FFFF: 1110xxxx 10xxxxxx 10xxxxxx; c4 F: A# r; X+ @* C7 I& m
( y0 I; b3 M+ T9 w' q# R3 @$ `" \ U-00010000 - U-001FFFFF: 11110xxx 10xxxxxx 10xxxxxx 10xxxxxx
4 {% Z7 a: l" w4 }( y
8 Q! F& K9 h8 T$ G7 x U-00200000 - U-03FFFFFF: 111110xx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx4 K+ i2 B. K' j1 f2 n$ k5 w8 W
/ v/ F/ U' ~3 g6 D U-04000000 - U-7FFFFFFF: 1111110x 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx: @9 f6 u% r6 L: N
& X: f% n+ L: Z$ K
Unicode编码转换到UTF-8,简单的把Unicode字节流套到x中就变成UTF-8了。 |
|
发表于 2008-1-19 23:35
| 