|
 
- UID
- 1
- 帖子
- 738
- 精华
- 28
- 积分
- 14325
- 金币
- 2448
- 威望
- 1647
- 贡献
- 1396
|
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：7 d" Z9 c# d, j o7 u
6 Y) W5 h: c9 G2 [) N: B$ `0 y
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。" w* A, u, e+ s1 |8 @
$ S- P0 g. n0 \7 `) e. l 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。
& y! F. s y6 f7 ~$ ^$ ~9 K0 V
0 W/ D7 h+ ~0 c6 p. W/ F5 m 2、台湾，香港等地使用的是BIG5编码2 T; [; X: c2 M3 U) j
& A1 J- [3 ~0 f8 a
3、日本：SJIS编码# J& u* A% W$ d S( a3 J
& k, t+ W! y! n- U# j+ r; D0 j 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。: M6 z$ e: d/ F5 B5 e
! Z" s6 n4 ~$ m, x9 K1 h9 z: j9 P 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。
& @1 C3 x9 {! M3 J- d" f9 A
z6 _5 k1 x+ q$ Z& G9 D. n Unicode的学名是"Universal Multiple-Octet Coded Character Set"，简称为UCS。# p$ e3 X& T* T+ ~) h
3 H5 J. v) ^4 R9 }' h9 [
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1 @. F$ s# r0 F, O, W* |9 s0 g1 @
- z! V8 n' U5 t8 v$ Q
20000-20FFF - 21000-21FFF - 22000-22FFF - 23000-23FFF - 24000-24FFF - 25000-25FFF - 26000-26FFF - 27000-27FFF - 28000-28FFF - 29000-29FFF - 2A000-2AFFF - 2F000-2FFFF7 U3 e4 V [" v
) g- T- V# C7 q& ]) d 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。
3 s/ m; E9 w) w0 [' i
9 z) f* `" Y$ v4 M* P1 ]9 i' y- ^7 q 什么是codepage?codepage就是各国的文字编码和Unicode之间的映射表。, I [: C* O1 h d6 x. u: m
/ f3 N0 q$ s: p& f 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。
5 k; Z( q, K, `9 Q8 {# t; T e- q6 z- k5 r: u
codepage=936 简体中文GBK
( |; T! L" `" }) f+ s, L
+ S; T' G* i8 c6 o+ M codepage=950 繁体中文BIG5
u w( K9 ?( P- n) X
$ N: Y; R, D; C& z9 S codepage=437 美国/加拿大英语. L" d6 F( A9 V4 k" |# i: m
/ E9 y, k& I3 f- V codepage=932 日文
. }# m4 @% n# l( v6 c5 O) u
7 ?/ t% X8 T5 Z% k. ], u% O codepage=949 韩文* u) |9 a0 o$ q: I8 Z
7 A9 |% \8 R& o' g* @8 o% K% K codepage=866 俄文
# p7 y$ j7 B+ }) i6 g4 C1 }
% J; ]: I4 L C2 _, x codepage=65001 unicode UFT-8
$ [5 g B9 w Z$ ~+ S
* F& c! n8 v" ?3 P5 O, w 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。, Z* k$ ?0 h6 X9 b# S6 L) ^6 y
! d7 L( b! ~4 L 从936中随意取一行，例如：7 U% o% ]- h' T- u R* Y2 W& j
3 J# b1 G( |' h. H* R
0x9993 0x6ABD #CJK UNIFIED IDEOGRAPH
' B. a" S8 ^9 }2 P8 ]# V* Z4 `& }% i0 n# G9 p
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。
. ~8 |# i% [! V1 R$ m7 J, P; R0 J' c3 }5 @1 m( T1 p
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?
: d9 s0 Y! P: g& G" v8 ~% D, U$ x. ~( C- Z8 K! |
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?- r+ {: J( j+ N& w- R8 i- C' H6 O* y
8 A, L$ K) [: ^, g p/ m. T0 n 例：
1 y. O" y: U3 A" R- k
F, x: i( X/ p& J' G& [4 v E4 BD A0 11100100 10111101 10100000
- i6 @0 _; I' n% q: K
0 n: u) F2 L" o$ [7 g; ?$ d 这是“你”字的UTF-8编码) k. }, E' \% f6 y9 d
# d" X) q, u( m( Y
4F 60 01001111 01100000# b# `' W7 m7 {
) y3 b( C! e& ?
这是“你”的Unicode编码( T0 j8 M* ~. Z
3 S8 Z+ u7 Z/ E$ y( @. e; A
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。; k1 G! ^& S/ F$ { o) p: r* H b
. M4 k( Y1 K( c% W: f8 p* [ 以下是Unicode和UTF-8之间的转换关系表：
* Z% A4 o; V0 Z& Y2 U+ ]5 ~5 ?9 L9 A6 P7 B f% s6 p
U-00000000 - U-0000007F: 0xxxxxxx: z7 o- T, C1 u2 P& D' s
U9 b, r: u5 r+ a! U& T
U-00000080 - U-000007FF: 110xxxxx 10xxxxxx
9 z5 t5 y+ d2 [1 X4 H5 Z! w) i0 o% M3 ~/ ] {+ E
U-00000800 - U-0000FFFF: 1110xxxx 10xxxxxx 10xxxxxx
- U) i& C2 W5 l5 B% Y
: B2 Z$ z2 O" Z+ Q# p U-00010000 - U-001FFFFF: 11110xxx 10xxxxxx 10xxxxxx 10xxxxxx! _) r2 x9 [0 h9 S3 M U* f, L; F
8 l! t# I' k8 J; k' R U-00200000 - U-03FFFFFF: 111110xx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx4 W+ j: L9 y: g1 f' t/ u! k6 u2 T
' ~( X0 \. |) L2 u( O U-04000000 - U-7FFFFFFF: 1111110x 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx; @' H8 f; Y, G1 ]0 K
l0 n- S$ c1 m/ t) 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
| 