|
 
- 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：) ~# |+ o) A" H- _$ T# P
3 l" h4 L$ p" R) s; i
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。
! V# ]( E. L* b* h X$ E2 g
6 H/ k3 O) I: S2 X$ c* O* B& y. e3 @ 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。
: N' w @% |' u1 x7 c' z t
/ k# r& [' a2 A4 f+ X" Y 2、台湾，香港等地使用的是BIG5编码
" h& [. p6 q3 n7 E. U8 |, ]
2 p4 ?: C& U$ U4 O) _+ p( [" _+ D 3、日本：SJIS编码' u# D% n8 C( f6 [
7 `# f a7 Z' {5 B" x 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。& G- ^! A1 X; h
+ ^( F& W3 K( \5 G0 ]7 u
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。
) p# J% h3 q6 O: \: ?
% f$ V6 `4 u& M( @ x! R6 i! \ Unicode的学名是"Universal Multiple-Octet Coded Character Set"，简称为UCS。! X+ ^& R9 X$ n* v
2 \4 K" H3 l: ~2 k% U/ s+ ]$ _! e
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6 D( @, e5 n/ G* P; O0 O
8 t/ c. O5 T) V. I2 S
20000-20FFF - 21000-21FFF - 22000-22FFF - 23000-23FFF - 24000-24FFF - 25000-25FFF - 26000-26FFF - 27000-27FFF - 28000-28FFF - 29000-29FFF - 2A000-2AFFF - 2F000-2FFFF* E3 J& Q6 X4 g0 L* f" k6 {' S
5 e. _* W- A0 ^$ S$ y
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。
' N5 e7 {, M# C1 G
0 X, a0 _! Z# v3 S4 Y# A 什么是codepage?codepage就是各国的文字编码和Unicode之间的映射表。: Y) U4 _+ @, `
( x, I; s0 c' r
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。: f+ A# r1 H) @3 K
( _: F2 j0 K2 f+ ]* a7 g codepage=936 简体中文GBK# Y/ \- ^8 p2 _* b
4 ^4 Z0 X. |7 R codepage=950 繁体中文BIG59 q; ^* a3 k+ h0 |& M2 i9 C
- R$ }) x/ L7 t4 V" X
codepage=437 美国/加拿大英语
3 X V4 d9 w8 Z: G4 ] H4 I! m( G# x( r1 _; A% [
codepage=932 日文4 A- Q' K7 k) d( g; n4 F1 b
% i6 X& H/ F2 Y# E2 h4 I1 d
codepage=949 韩文
$ _/ k2 n t" E! K# Y+ M9 w8 g! Z/ G; t7 E) c
codepage=866 俄文
1 d+ E4 y: T! B
; P% j7 P; b, F" j codepage=65001 unicode UFT-8
( s1 w# K4 s( q, y3 u+ ~
& ` d0 Q& a$ V% V3 K" 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/ T0 J; a8 ?7 f7 ~. @1 x8 g$ N8 e- Q
从936中随意取一行，例如：
5 n" w3 W+ C, k* i5 t0 Q) O, K& {% H) {* w" ~) c5 b, m$ @3 ]
0x9993 0x6ABD #CJK UNIFIED IDEOGRAPH" k. L, I5 }- B' u+ N
( |# ~+ R9 l& Y! |8 g/ W
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。
0 |) G+ O1 E. l7 J7 e& T, Z/ q+ k
3 W. X- }: }+ I$ W 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?0 |# g6 Q* w( k9 `, P; y
8 K2 v- U4 e1 j f# |
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?
7 m0 w# |$ a; t' T5 t$ D* c, j, w. q1 X, n8 t+ f3 A5 p
例：6 T- l7 H! @! [3 D- [- j
/ m4 b6 w( p- u }1 \) }2 V d
E4 BD A0 11100100 10111101 10100000; e' O7 Q; X7 B4 q" t7 z9 d7 |
9 M! |6 z' t7 _5 r- P 这是“你”字的UTF-8编码( g' N# k. F! n% h
. z [/ u. P# r( B( r 4F 60 01001111 01100000( O6 ^% \" K9 F, S n) I' \
; t; H% B! e, x, G+ F+ M! k, F 这是“你”的Unicode编码: u9 e3 q8 d% A0 i$ B& @- n- W
" z9 H- P' A- X: q
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 n% Y0 t5 l, s: g4 s
0 K9 j: b6 X( t" }4 C5 T8 Y% F 以下是Unicode和UTF-8之间的转换关系表：
% P2 q- k0 z4 S+ r- ~* N6 Y/ D9 C5 S- b& y2 ]. ~3 w, E- n
U-00000000 - U-0000007F: 0xxxxxxx, \5 u' }% h- q' Q, H. R
1 |2 J! D0 i0 E# c" i$ Z U-00000080 - U-000007FF: 110xxxxx 10xxxxxx
# M2 ~' J0 t; i' R. @: c3 r$ W. s' D) w% [
U-00000800 - U-0000FFFF: 1110xxxx 10xxxxxx 10xxxxxx2 U1 ?) {8 s! q% ]5 _
* B" v: ^. `* k/ [' |
U-00010000 - U-001FFFFF: 11110xxx 10xxxxxx 10xxxxxx 10xxxxxx! N: `/ a+ t0 d* X8 ~% m
7 I/ w5 N: w. Z
U-00200000 - U-03FFFFFF: 111110xx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx) F: p1 q6 ~) h1 y) j% G9 B X
4 ?* t% X$ P4 Y) w1 z
U-04000000 - U-7FFFFFFF: 1111110x 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx
4 }. q5 L; K1 E& b. ~. H: D# w& d) O6 o$ h! _8 ]
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
| 