|
 
- UID
- 1
- 帖子
- 738
- 精华
- 28
- 积分
- 14221
- 金币
- 2401
- 威望
- 1647
- 贡献
- 1349
|
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：
, y% W4 I. E; _, p( Y. r0 P0 y. a5 A9 ^2 j8 _$ z( I) D% ~
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。
* R( q: H% q% D. c9 `
% Z/ q0 D: ~! s: x; Y. a 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。9 g1 K5 q, Q3 s; l4 V
! d V+ c- M. [! {; E
2、台湾，香港等地使用的是BIG5编码
6 i* C0 t+ a, B- A1 [$ M+ Q4 G; L8 U' F
3、日本：SJIS编码. j6 ~! d, B9 X
) W2 @; D# X: C6 K L, 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。
! y6 U! i6 ?5 V; Y
) Q- T& g: b: b; D# ]8 |8 d 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。
. t: O* P: Q% t, l1 U3 C
7 F' M: H% T) U3 _: m Unicode的学名是"Universal Multiple-Octet Coded Character Set"，简称为UCS。4 C) U0 t7 y: v ?. ?+ B* _
6 N3 ~' U; x& k: }- R$ @: V+ \0 i 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2 g3 F6 a( X0 K1 u
+ A/ d" V( e: X* D9 o" B. 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
/ H& a% f& N/ Y5 }
$ s, k$ s& c% v: P, s3 m$ Z9 z 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 V( d1 L/ n9 p/ r
1 _# C0 Y+ E. ^# O9 D* w$ m- a! @2 {7 A 什么是codepage?codepage就是各国的文字编码和Unicode之间的映射表。4 v# G4 a) k7 g m( ?1 P2 x
) Y @' y; p1 w" j& ~% `! S- g 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。
# X9 T6 D( I* l1 s' i8 o7 B* T5 n( n8 q6 {
codepage=936 简体中文GBK1 E: D; d7 l+ U* V+ V( D' R
2 r: d: k H2 T- }, c codepage=950 繁体中文BIG5
9 T% V; Q- G% A7 h" b% `) a: ?3 e' J* g- `+ c
codepage=437 美国/加拿大英语2 y2 E0 l% G2 ^5 v0 F, F
( z1 Q" X5 k; A( L codepage=932 日文
' X3 b9 k5 k- A" D0 s* z9 ^' d8 \
- a9 a, S$ t; `9 W6 T$ L! M# I codepage=949 韩文; k: q' S9 |( n' H8 ?" a( Z
% l4 c3 m* F. M; @ codepage=866 俄文+ M" l3 |! j; n1 p. s( c' `) ]
6 Q& O/ E% T" A. O codepage=65001 unicode UFT-88 L3 q8 m- N* k# d1 a3 T+ ^) K
- e4 p5 l; U2 z6 [4 h 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。
( m- _1 b" X+ N$ w, R/ m3 o# ?+ B! R4 e* m. |
从936中随意取一行，例如：
% L b- t L' D- g* t% A4 }7 h0 f1 N, @! a# j' P) l; r/ V
0x9993 0x6ABD #CJK UNIFIED IDEOGRAPH
4 F/ o' I8 x7 a# u4 \: k6 c) b
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。* y0 q! E) }6 b ^- h6 L
: D3 S$ w0 t. s% v# J6 y* t 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?8 k. U( n3 ?& p: ~0 f" B
& S3 U4 ~$ c7 v T0 `. n* {
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?
+ V7 [" G& A5 ^6 v) v3 L
1 R9 N+ r8 H0 b# K- i$ [. N 例：
2 v" U% @9 v# |3 M7 V) ?) f# [1 y
E4 BD A0 11100100 10111101 10100000' c# p9 |* d5 ? o, F1 ~
6 G5 \& C- g$ U. l. e 这是“你”字的UTF-8编码
% I' B0 K$ s3 ?$ E7 f- D5 G/ X9 `8 a) X
4F 60 01001111 01100000' r& t8 U& Q2 `. K* B
% w" t3 L9 l* p! W1 L 这是“你”的Unicode编码
( v) b& {0 w* N% P/ ^% g
! V0 _1 y8 n. b; 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。
: J* O9 ?% |9 W+ u! N: B6 N3 j8 w, F$ q
以下是Unicode和UTF-8之间的转换关系表：2 n6 C" S6 ^9 V1 }8 B
" b) M6 }) q" E% e8 [0 e U-00000000 - U-0000007F: 0xxxxxxx
# q' V3 U& @/ `9 |; R! t7 N- |: X' t- ]/ C8 H& `2 _
U-00000080 - U-000007FF: 110xxxxx 10xxxxxx9 E* S+ f8 @1 H$ d8 p
& d3 Q: G! u% D! m7 k* ^ U-00000800 - U-0000FFFF: 1110xxxx 10xxxxxx 10xxxxxx
5 V, g$ Q5 s; F1 l6 g% }2 Z3 \7 N6 ?+ @& O# x
U-00010000 - U-001FFFFF: 11110xxx 10xxxxxx 10xxxxxx 10xxxxxx' {- t( D7 o# @9 a: L X. r; t- `( N" u
; H0 J' o- X3 C5 N2 g2 ?
U-00200000 - U-03FFFFFF: 111110xx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx% W! G# E; A$ R1 s
3 c% B: p8 B8 M. M4 X. g! p
U-04000000 - U-7FFFFFFF: 1111110x 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx6 P. s8 X- y$ f9 B3 |- W
9 e1 D8 m9 |8 z" Q- O
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
| 