|
 
- 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：
8 j# e, S$ X; D3 B+ T% X
0 I( m$ ^! v3 ?$ | 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。
( ]- ?" o9 P0 @1 b b% f9 ]; j7 Y6 k" o- ^( O
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。8 `% F; p1 T; H: V2 @- P0 ]0 s. v
8 }; i* g, n: \$ Z3 ]
2、台湾，香港等地使用的是BIG5编码/ A* Q: f1 C; `0 R- d( b" }
9 z( n3 I! ~- K, ~3 l- Z/ u
3、日本：SJIS编码/ p0 Y$ V3 ?1 S) t5 e: V6 @4 B+ O* x
3 L5 T3 h% y6 h( N 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。
: h2 j* X5 A2 c( [' w- i/ m& t9 g" c
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。
( J4 w: ^- {+ {
3 k9 Z# j+ ~- o$ D3 P3 S0 ] Unicode的学名是"Universal Multiple-Octet Coded Character Set"，简称为UCS。$ U, F# d9 l/ M5 v7 P2 `
. L0 }2 F4 |' g( e$ ]9 E. a5 h
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% D0 C \: x$ o1 ]# R( ~
* c+ M6 U3 b, I1 x4 D/ Z1 W 20000-20FFF - 21000-21FFF - 22000-22FFF - 23000-23FFF - 24000-24FFF - 25000-25FFF - 26000-26FFF - 27000-27FFF - 28000-28FFF - 29000-29FFF - 2A000-2AFFF - 2F000-2FFFF
( T8 @. h1 ?* C @. v+ |$ H9 K, V; i. e1 a- [4 Q4 b
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。
2 {8 @) e$ w2 c6 n4 Z5 b5 f# w% r- H& A I5 H0 @- B' i7 a6 G& n& h
什么是codepage?codepage就是各国的文字编码和Unicode之间的映射表。. [1 B, {- ^3 z% w) `7 }& N
* E7 Y2 a3 t; C' m/ S
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。: @8 z5 k- d9 _5 {) z- D
: i1 @6 V- n2 ~: n6 U codepage=936 简体中文GBK
- ^5 J9 B* @" l
! B. q% i. q' X( p( J% Y codepage=950 繁体中文BIG5. y9 g5 @( B% S& T, n3 i3 |, z
6 C) N% g) @% p4 t! S% L8 y
codepage=437 美国/加拿大英语
Q3 K. A$ j. {! O* M2 m2 S9 A. `# k I. C! ^- }# Z1 w/ s. v, o
codepage=932 日文; ~; h. Q. x; w8 ]/ j( e
( i( D7 p# V0 r. G codepage=949 韩文8 K/ v- I. V6 |' C6 f
5 o, Z/ C" ^7 B4 v2 _
codepage=866 俄文
# q+ S0 L \2 h9 b8 Z: D9 m& n+ W% T o$ z- A& x
codepage=65001 unicode UFT-8
% G5 y& a6 h/ L5 c+ t0 \4 \) @+ d4 }& x
- B3 l# ^/ K7 \% R9 Z, Z' m5 t 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。
* r+ B8 Y$ p4 i, l! Z' z5 d
; B: V# U, I2 }4 v) h4 @' J9 O% H 从936中随意取一行，例如：# n7 N# ^ l: Y, j2 Y5 ?
( r2 n# f& S7 ~/ ?2 K% P2 U8 K 0x9993 0x6ABD #CJK UNIFIED IDEOGRAPH$ h; y3 \8 o+ C
9 @+ D* i5 F& ]% e. A 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。
; H! U8 Y' ]0 \! i: ^% U0 X1 C& @) c) F: |9 K6 z0 i# j
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?
7 I: U: r4 \/ e- c3 u+ h5 N
6 p$ m; F( O- A' o 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?
5 S. ~$ x4 @" e* G0 d8 g; ~6 @6 E7 m& h% P3 i
例：5 `$ S. c& i/ ]1 \; K( X
: ], l# h* \9 ? V1 s0 U E4 BD A0 11100100 10111101 10100000* [/ X e# ]# `7 {2 W5 Q) f, D
2 G; w' a& |) m# s6 J1 C; Y
这是“你”字的UTF-8编码
/ n2 d1 Q4 M# e G# {
- K3 w+ t3 E0 y3 o) }- L 4F 60 01001111 01100000
$ l3 f: Z% `* O) i
# I& R" t' v$ ~1 b! [% g' p% | 这是“你”的Unicode编码
" g" x3 t" ]6 M/ x
1 h4 h# C( P8 _ 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。
! v8 n" a) M) S5 h* F h: P( d K+ P; T+ c1 E. i5 y1 p. T
以下是Unicode和UTF-8之间的转换关系表：
7 T. d/ P- H, Q. C; T
4 g% y$ \; {8 E v$ o# ? U-00000000 - U-0000007F: 0xxxxxxx
0 ]2 i, @3 w) u( `3 v
3 ], u* t4 Y- R/ U3 D( U) y' a U-00000080 - U-000007FF: 110xxxxx 10xxxxxx! I6 f5 B( r, G0 o. Y2 Y0 b
- o7 D, F3 l8 d5 t
U-00000800 - U-0000FFFF: 1110xxxx 10xxxxxx 10xxxxxx
- q9 o5 P C! D2 S7 q- G
9 r$ C5 n) E0 g% Q$ o) ~( y( U0 ? U-00010000 - U-001FFFFF: 11110xxx 10xxxxxx 10xxxxxx 10xxxxxx
: U7 B' X: }& u
; F5 M( H8 E3 u1 T U-00200000 - U-03FFFFFF: 111110xx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx1 u' t# B- K; U( z/ l4 {( {" ]. u
" G4 \) h0 ]- _0 o# @
U-04000000 - U-7FFFFFFF: 1111110x 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx
$ B5 R1 `4 J; Q1 d4 x7 E$ z2 S9 g5 b) b" 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
| 