|
 
- UID
- 1
- 帖子
- 738
- 精华
- 28
- 积分
- 14161
- 金币
- 2371
- 威望
- 1647
- 贡献
- 1319
|
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：
. T- a) H" y( b. K2 \& N; \' a
- G y' s" h- J' H' F$ ]3 C- k! p 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。
$ T: x4 |6 i3 I) w# t; V1 X' n& j: T. W
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 j, _' J! m, P5 R: T6 }
2 I8 t9 Z/ l# ]3 \, D 2、台湾，香港等地使用的是BIG5编码
' @9 C+ C* O3 N# y4 b( r/ h' g0 q/ f: S+ r: G. U
3、日本：SJIS编码
7 u+ t' B) Q4 O( q8 E! E' p" _6 T
/ x0 O n, O6 S4 t% }( Y 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。7 Y O6 P5 }, T* d( R, H
+ ~9 K# J" P, s s9 x$ m
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。: K1 ?9 q1 D+ h" E
0 m$ ]* x- B& j* g. w$ c
Unicode的学名是"Universal Multiple-Octet Coded Character Set"，简称为UCS。
4 b7 ] _* M: Z0 [5 t9 @ P3 h0 B3 O( y5 H# L( H2 ~/ S
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; w: H- c* v2 X9 X8 M4 h
! H+ o) }2 s+ f2 |; B V
20000-20FFF - 21000-21FFF - 22000-22FFF - 23000-23FFF - 24000-24FFF - 25000-25FFF - 26000-26FFF - 27000-27FFF - 28000-28FFF - 29000-29FFF - 2A000-2AFFF - 2F000-2FFFF! Z1 f& c6 ^$ F4 R- C4 z- [
/ ]) M) p" d7 t
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。
4 J% q5 N4 K# O# a' |* ?4 I, B$ [! x8 o- J
什么是codepage?codepage就是各国的文字编码和Unicode之间的映射表。
/ N% `/ i8 {1 h+ w3 \) X7 J# ]8 E
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。
1 ` V8 e) r- w# [+ v1 _
' v% Z, Y0 ^7 r( r codepage=936 简体中文GBK
a+ M N {8 ~2 D) @) ?3 k
2 M( L4 {; m3 N5 i) X0 T* P+ ? codepage=950 繁体中文BIG56 W' G1 a' H4 L4 V m
$ M3 K3 V# I! k/ u* w! F codepage=437 美国/加拿大英语) `* R' f# R- J- R
$ b2 o- Z% e$ D0 s l codepage=932 日文1 O# U; L6 V1 F! M
+ ]1 @) i% F, T
codepage=949 韩文
5 q+ }6 P" l# g* ~3 n5 Z+ V
4 n; a' c3 |6 M# A1 @8 D- o codepage=866 俄文
& w3 t$ p: F$ d+ {5 F7 b' i0 @4 h4 _, X. }+ X; [1 b
codepage=65001 unicode UFT-86 ?# b. b4 d& F q
0 [5 B4 `. @9 Z1 _- P1 U: U- Q3 I. |
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。
; D9 V6 B5 x) d2 }7 ]* }5 b v) f+ y4 p" H: {: P# K
从936中随意取一行，例如：
- [- K, t0 j" ?8 [# m' b' U4 ?1 o" [8 x
0x9993 0x6ABD #CJK UNIFIED IDEOGRAPH. C& W- t( O V# F) M/ N+ ^+ t
; P+ x- T& S h/ ]8 F7 k
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 Z7 h6 ]) j; i% i
! g7 j/ x+ J* j O( @6 f
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 b3 f5 M; X$ j/ h; U; ^8 `5 b2 ]. q8 c4 W; I
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?
9 p& {9 q H% ]+ O. v
8 i$ D% Q& S- Q v8 |$ b1 X 例：! ^0 U N j; M/ Z: ? t0 \0 f5 m# Z
8 e, y8 q( B3 S' F+ i E4 BD A0 11100100 10111101 10100000
4 s" l3 B* h* |' y
" Z. \4 z! D% J+ L' [ 这是“你”字的UTF-8编码5 d9 s2 {4 H* I8 B9 s
' C' X. Q$ [1 H; w% G7 W
4F 60 01001111 01100000* T4 ? w9 ], C2 u+ l8 R! q
& X: M9 m! T. E* l. n: j+ A( T 这是“你”的Unicode编码6 s# @8 j+ j2 q( T; e3 _
# f- X0 c) n$ Q4 G- l" ?# \( e 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。
: [7 D5 f) x# w7 s6 s+ l# z
8 q- N8 u' I! A# s' Y4 t1 _) c 以下是Unicode和UTF-8之间的转换关系表：
. M; h9 Z* ?8 m. u4 o4 r* O
2 ]) w* X. x8 I6 o6 J: z U-00000000 - U-0000007F: 0xxxxxxx6 @1 J; w9 V3 f# N. L
" Z$ I/ o* G7 W1 J! A/ A
U-00000080 - U-000007FF: 110xxxxx 10xxxxxx
4 c2 r' l8 d) s2 X; y/ `" f# w) H
U-00000800 - U-0000FFFF: 1110xxxx 10xxxxxx 10xxxxxx
# |9 Z6 |; s0 @% u, M- P- f/ [# d5 t( @1 e* p" N8 M
U-00010000 - U-001FFFFF: 11110xxx 10xxxxxx 10xxxxxx 10xxxxxx
3 ]4 y5 W8 ?' y" Q5 l" I" i! j( T9 A z: N# M
U-00200000 - U-03FFFFFF: 111110xx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx
( m/ F0 c9 F8 P4 A2 O
6 Y) g+ E- y* T U-04000000 - U-7FFFFFFF: 1111110x 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx& E: x5 ~, S6 o" k# }- N, _
+ G+ \$ N% B7 D& Q9 Z8 M
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
| 