|
 
- UID
- 1
- 帖子
- 738
- 精华
- 28
- 积分
- 14391
- 金币
- 2481
- 威望
- 1647
- 贡献
- 1429
|
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：, n7 ^/ [# T0 X$ P! x! I
4 _( D6 L4 I% x8 Z% O5 q- k 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。
2 r9 d& w: l2 Q, y6 [/ B3 w1 j4 X7 V
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。3 A2 H. {. G1 h" i1 q1 v2 k6 w
8 `3 G7 K' |: L/ }$ m7 {
2、台湾，香港等地使用的是BIG5编码: t3 I, [, J6 \' X$ x8 d1 I9 g
; [7 }# u0 i% [: ~+ A 3、日本：SJIS编码
! k6 @+ F1 B- Q% P2 I) \' x. K( U! M, I, i1 p5 e
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。
I- I$ j% b/ ^. k- E% Y; Y$ \* d9 o- s, h
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。! N V, C( f' X2 ?
) s, X' {3 s: u( [: Y, b* d5 X Unicode的学名是"Universal Multiple-Octet Coded Character Set"，简称为UCS。
( p- F8 U: G; E' f9 @9 L; b, X+ F& |0 _
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
# V9 q$ V( M: s4 @, M3 R
: N* s* f6 }; z& V- J 20000-20FFF - 21000-21FFF - 22000-22FFF - 23000-23FFF - 24000-24FFF - 25000-25FFF - 26000-26FFF - 27000-27FFF - 28000-28FFF - 29000-29FFF - 2A000-2AFFF - 2F000-2FFFF
5 g7 Y! `2 t' K. m4 o
, ~1 D L5 v; l 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。
; j/ O5 ` A/ R- }5 t. V" ~! p8 _$ d: X6 i0 }; D1 d
什么是codepage?codepage就是各国的文字编码和Unicode之间的映射表。- T: W4 ?3 I8 y; \& l
; W O# n* E& L. t 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。
0 [# j5 \5 o+ ?3 N4 Y6 o7 \$ ]1 ~1 r: Q+ M7 p+ ~: [2 o8 k
codepage=936 简体中文GBK
, p& B! x+ a* j0 q# l7 s! G b4 ?0 ?. U2 e( ]# Y
codepage=950 繁体中文BIG5
. p( i* x6 w* z
% P- b* o0 N: G& n7 L6 B \ codepage=437 美国/加拿大英语
. B2 k% ]8 T. p3 ?0 H9 r' Z( |) Q! f, \3 W3 N
codepage=932 日文$ P/ V |- P* H% T/ w" m0 [
9 {0 ^# I0 w% U3 g9 q codepage=949 韩文
* l0 i1 `. N* u9 _7 L; `" f# h( Z2 a6 ]& b2 ]# m n
codepage=866 俄文
6 Y& @2 u8 [2 K: x' p! U1 M6 R; B4 w8 O2 w
codepage=65001 unicode UFT-8
* I8 a% k. ]# l, S
1 Z# l- y5 z* u2 P. N5 x 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。/ _% ^! Z7 S1 G& E' u. o
u$ F7 b' F* a4 f) f! ^, I 从936中随意取一行，例如：
4 r1 d$ ]. k6 s; _+ S
/ Z' k. s* E/ W, K( [ 0x9993 0x6ABD #CJK UNIFIED IDEOGRAPH0 g9 D8 t3 Y9 O. b0 @( K
6 D+ d* x- Y, R! f; U 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。5 F7 L, a7 ~/ H" \0 x4 O8 U' P
; p' G9 W' {+ H9 Y5 z 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?
& o, `! w8 |* i! [5 g: w8 r N7 z) m7 H4 e! 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?* z6 o: d( y, n5 ^5 L
- {2 Q# Y6 V! ?9 n1 e4 Z. c 例：+ ]4 b6 P& H; u3 D
+ N8 L/ C5 E4 F& h
E4 BD A0 11100100 10111101 10100000
& Q) {$ X1 f8 N, b7 Y0 d8 r6 z8 U5 n$ Q
这是“你”字的UTF-8编码. D$ a& M/ ~, |2 r6 ?+ e
1 l$ C2 s% h8 A2 Z 4F 60 01001111 01100000
" q, v4 u2 R* x4 U8 t4 t5 s2 b" n1 i1 E" z2 S0 O
这是“你”的Unicode编码
% B: P9 C, i* a# r1 l1 j' q9 C6 }' Z8 ?. w
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; J; w) \, k. ]. h( n s
% k) r9 p( S5 K3 n9 U: H4 R: e 以下是Unicode和UTF-8之间的转换关系表：5 ~6 n2 R/ m7 O2 P: N
) u8 X* n0 v% |9 M
U-00000000 - U-0000007F: 0xxxxxxx
# M7 F) d1 n$ ~# p* q
; \ b. o8 I/ v: k; N U-00000080 - U-000007FF: 110xxxxx 10xxxxxx2 f5 I3 T4 ^' _$ ]: W
, e# d4 x6 q6 U$ h' d! r2 K U-00000800 - U-0000FFFF: 1110xxxx 10xxxxxx 10xxxxxx. v6 Z9 M+ O& ]
5 d/ n F' k$ x( d- ^1 u+ Z U-00010000 - U-001FFFFF: 11110xxx 10xxxxxx 10xxxxxx 10xxxxxx: j0 V) A% E! N5 [. X+ U0 N
. Q% U4 `- G$ [
U-00200000 - U-03FFFFFF: 111110xx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx
$ A" c% F& N# F& K, i# \+ w7 k. s) E
U-04000000 - U-7FFFFFFF: 1111110x 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx7 Y0 C1 \* u4 ?2 ?1 S! s
n" d! _+ n! i% j
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
| 