|
 
- 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 P U+ K7 J9 }" q
9 u4 _, b- O: S# @0 p' V 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。) @4 F7 H$ ^5 j& c1 {
6 S7 F9 b; g/ d0 w' [3 w$ z; K: x 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。# t, k5 R4 e9 w4 W8 v7 W9 Y
4 Y6 |; H2 B1 w/ l) X6 \6 j' V/ @
2、台湾，香港等地使用的是BIG5编码
5 Q& h4 Y2 O" ^7 d, [3 B6 `
4 o$ Q) i' u- C% G 3、日本：SJIS编码
# [' ~* X9 Z' h! N5 W
$ t/ o4 z7 n% \8 }4 K 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。
0 o6 s _1 q2 A N3 _; y& s7 ?7 a- o+ _9 ^$ Y% j, I
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" `5 V7 T. m2 k: Q% U
% f0 p' ]$ O& N+ O h5 v
Unicode的学名是"Universal Multiple-Octet Coded Character Set"，简称为UCS。
7 B% x r4 L: a4 j, B% v# t$ Z0 i! z
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 j, E" `& @2 ?1 N. m8 U
' L$ _/ I/ e/ r3 k& \* `0 a
20000-20FFF - 21000-21FFF - 22000-22FFF - 23000-23FFF - 24000-24FFF - 25000-25FFF - 26000-26FFF - 27000-27FFF - 28000-28FFF - 29000-29FFF - 2A000-2AFFF - 2F000-2FFFF
7 |" v+ s5 q2 y- H0 p+ s0 @5 s, j- U9 Y" e; h5 @4 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。- a% p/ H/ c5 S z H
& k; d+ r( ]( ^/ h/ W2 B
什么是codepage?codepage就是各国的文字编码和Unicode之间的映射表。# H( D b/ t! P2 {5 W
3 n! [4 O: D, ~5 w! q; A' u
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。
. I2 S3 B/ E: }3 _ E, `
/ P$ _9 W+ n# z2 V0 r codepage=936 简体中文GBK
- X3 K% {+ ?) ^, J) T7 z( u4 m! U/ ]* G. B$ j) i
codepage=950 繁体中文BIG5
$ A: A3 W! p9 { t
2 }# V/ Q# k1 v2 B( k B codepage=437 美国/加拿大英语 p5 \" c; L/ s/ U: o) L
: n5 Q* x4 f# W" @- J* J
codepage=932 日文
6 P7 k6 M. s: t* K- e' R% z; V0 @5 u5 M! `
codepage=949 韩文
2 u3 J+ W6 w9 K7 ^7 x2 o8 E
4 Y: b6 D' x" c8 t codepage=866 俄文
$ k, |: ]0 c# t& J8 w. Q% Q6 Z$ \2 G& |; T& b
codepage=65001 unicode UFT-80 \3 ` o+ C5 H% \7 m
& u! I& P: l% o+ p" Z 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。
7 Z1 l9 s& j% |
* ]3 H Q& I7 B" R o3 J" Y 从936中随意取一行，例如：, e. l( @* {9 F+ f" k
3 I4 M9 L) ~9 O: j* [3 a
0x9993 0x6ABD #CJK UNIFIED IDEOGRAPH* r, {$ F1 x( c( V2 I3 e8 R8 E
) `& H6 G ~" k1 ]7 t 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。. L4 m6 U$ P- Y" B2 z
0 z; w8 C' U" l6 T6 c' x% i# 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?
" l( t* I( l! S+ G: e/ F
V* L4 R6 d2 ~ P; M; ?$ }9 [, T 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?8 D8 w# |# u- ?; u# D3 a
) L- g5 h: H5 Q9 D5 V6 C8 g3 ~5 { 例：
, h$ `7 M- M( k- C5 ]# A3 ~/ n3 i: T7 H
E4 BD A0 11100100 10111101 10100000* {8 t$ \& g7 j# j: b
& Z3 Z) @* k) b 这是“你”字的UTF-8编码
. H) j5 H. @+ @! ?' \( w
; m" {8 J" g/ X! u3 v 4F 60 01001111 01100000
# u! |4 d: k% V# O* ^
# P% r$ _# S _7 Y% J 这是“你”的Unicode编码
# R( W/ A! @" }3 s' N" ~4 t* k! ]
" v+ i7 [1 m8 L# v% W4 y 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。) b( j X% X" O2 f* `. B
6 z. @/ t! G( p2 _/ r- q1 T
以下是Unicode和UTF-8之间的转换关系表：
3 b& t$ `0 B" X! S8 e% r5 R4 e: e. O% P
U-00000000 - U-0000007F: 0xxxxxxx W8 H: }6 U) k& y* ?0 H! s. c
Q0 j! H4 p8 o3 t* n
U-00000080 - U-000007FF: 110xxxxx 10xxxxxx
/ w# p( S' c1 P0 Z y3 g# I7 y2 N; M8 N4 l6 ~
U-00000800 - U-0000FFFF: 1110xxxx 10xxxxxx 10xxxxxx* ^3 x, F* F& c* r* |# b! \
; r# ~# C, g. v7 z+ { U-00010000 - U-001FFFFF: 11110xxx 10xxxxxx 10xxxxxx 10xxxxxx
3 M6 J" M2 W. T" }5 ^0 L0 I1 q! V, g5 K
U-00200000 - U-03FFFFFF: 111110xx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx
2 V% m) Q/ W v5 q4 Y, F* L8 V
+ ?9 Q1 }- E: q1 j3 G0 ` U-04000000 - U-7FFFFFFF: 1111110x 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx
! J$ _. B' l0 u1 W; i0 T! j# B
' |3 j* W& c' D" p, r3 } 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
| 