|
 
- 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：, L2 R% q! x& _. `
, ]$ m. Y1 f' A" `1 n: _
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。+ H* d8 g& l. E _
. |% m; E9 T: P9 q' ~; u 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。. ]) a! ]" k( N- Y. o! F; Y
# X7 a, {/ }% i- A3 F 2、台湾，香港等地使用的是BIG5编码
/ X; f0 v7 F6 C! \" h9 N9 [' N# t) t$ @5 T! r- b. O x; Q
3、日本：SJIS编码" T) @! m9 h! _" D3 G3 f
. y3 s; u0 U& 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。
, d7 u F! C# T; O( ~; |* j9 [8 g3 b5 {) `( V# w4 Z. x
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。
9 p' l8 u9 B! r) r4 t8 N& u5 F f' j, n
Unicode的学名是"Universal Multiple-Octet Coded Character Set"，简称为UCS。2 C8 c+ j; k( x1 w4 E5 j
; W* _: L5 e& R6 Y
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 `( h* m" B4 P9 g/ Q
" y3 N* w' y% ] 20000-20FFF - 21000-21FFF - 22000-22FFF - 23000-23FFF - 24000-24FFF - 25000-25FFF - 26000-26FFF - 27000-27FFF - 28000-28FFF - 29000-29FFF - 2A000-2AFFF - 2F000-2FFFF
! M/ ^0 }3 x) w/ Q$ [4 F( ~
( q: }; m7 _) G9 M$ a 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。+ O# g% ? `' e6 A
: i4 K ?& M- L0 f/ G: l9 w% } 什么是codepage?codepage就是各国的文字编码和Unicode之间的映射表。; B- G6 ]# P/ P7 r
, y1 R% h: Z7 ?1 z$ B8 f1 `/ A 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。* Q9 R8 }% e1 Y9 k
5 D9 x0 j# f) q$ a' N7 A4 w codepage=936 简体中文GBK2 S1 P6 V4 R. _- M, T0 k( C
5 I- l# `- C8 a3 p. ? k codepage=950 繁体中文BIG5
1 y/ `* f: q3 T: e/ u
. h9 H7 n" A7 }2 c. W5 l codepage=437 美国/加拿大英语2 R4 J, W8 ^5 n+ p/ q
, I/ \* f2 \: S
codepage=932 日文
8 E8 E4 j# K* K# n5 p9 E* a4 @' e3 z1 {, F# S( F6 y' Z
codepage=949 韩文
& z! ]$ s4 [, R4 Z* q8 |! L, x o" V1 ?8 F
codepage=866 俄文
9 I$ u. @+ ~$ D) s' F5 G; q& l5 ^5 U- F
codepage=65001 unicode UFT-8% v: u$ Y" ?' H; J1 W! @3 A3 V( C
" E: l2 D6 g1 u' A2 j ^ 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。
c7 m/ a# I$ N2 |- J, t: B: Y9 }6 a D0 m2 c* r" }
从936中随意取一行，例如：
( y) X, W- B K% G& m7 d8 q+ e& y$ w+ C! V6 |
0x9993 0x6ABD #CJK UNIFIED IDEOGRAPH
7 ?, G k, @' } u7 l1 |& L
5 s/ X& t5 @3 i4 \9 [ 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。7 M4 w% p( y! Q
G& l" F6 S1 n; p9 k 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 E; E! J' X E6 S+ F& W
) n6 X/ o" x! Y. S1 a- a6 H 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?
: J# \6 _0 o6 n, M- I6 a& D
: Y# q/ _. G" {2 ~, m) U& n% c6 G) K 例：
5 m" Q, R. A3 M: u# p9 T& a9 t& G s: {7 ^. Q* T* b
E4 BD A0 11100100 10111101 101000007 V, c: y" t- Y# [3 O" ?: u; c
, [. \4 v& Z/ n& R* h \ 这是“你”字的UTF-8编码
; }3 }; ? ]3 L; e' w, W5 ~9 @' F( I' e4 c( F
4F 60 01001111 011000000 D" G3 Y7 {: {! {
" t# M3 i. W4 [
这是“你”的Unicode编码
' |5 @1 F2 o9 g3 M" g6 N) b) `( C1 a6 @* _
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。; n* i6 Q( ?8 H/ H6 U o/ E5 C9 j
& ~: \, t" K! _, p" @9 M+ P 以下是Unicode和UTF-8之间的转换关系表：
, b" K' j+ B6 I+ [9 G* \2 e/ w, Z* }* b7 n( X0 ?1 _0 V* z
U-00000000 - U-0000007F: 0xxxxxxx2 H+ B4 b3 s' |. G
v6 E( ~. J2 W9 t( b0 g
U-00000080 - U-000007FF: 110xxxxx 10xxxxxx
+ e, [) b' H" p# P( i/ w1 Y% W3 x% I4 J# g5 r' n
U-00000800 - U-0000FFFF: 1110xxxx 10xxxxxx 10xxxxxx
% d$ K @1 _2 L; ]# q* i" h8 h7 G) M9 Y* M S/ M" H
U-00010000 - U-001FFFFF: 11110xxx 10xxxxxx 10xxxxxx 10xxxxxx
# c4 B( v7 `: x5 }
: u: W" r7 P* p1 _6 j8 V3 t ^ U-00200000 - U-03FFFFFF: 111110xx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx
/ o7 e6 r- h& a+ B/ ?0 ^8 X. u% A6 K `- g% c
U-04000000 - U-7FFFFFFF: 1111110x 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx
3 J/ l0 p) m S! @& j2 b( T9 B; r2 v* D6 i
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
| 