|
 
- 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：
# G3 C( q1 V+ n* x* f1 l2 j
4 D% }9 P5 E* t5 j1 z+ k 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。: C* V# \2 ?' x; |- I% ]
$ U9 h7 Y" p. J' a2 v 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。
2 [. k" g3 `+ _+ ^8 b5 G, v# W2 L/ G
2 \2 v5 x! S6 O, {- I 2、台湾，香港等地使用的是BIG5编码
0 H# Z0 q3 B V9 Z, e% S
, i1 u3 q) T- B* G* y% a 3、日本：SJIS编码* X" B" u; R F& z2 K6 B
, T7 e: W& a4 n0 }
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。7 k! G! N, h) q" V/ L
6 M& @# B4 D$ T& f 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。
$ D+ M+ q9 |7 V1 ^( g0 A+ j l! ?( [) I1 \4 E3 X/ u+ k/ n
Unicode的学名是"Universal Multiple-Octet Coded Character Set"，简称为UCS。) B+ U; s% e* a6 I; G. V/ l
$ S2 [! J: W% f0 U0 }+ ^" f3 S
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4 s" D" n& P& w, ?0 Z4 t
6 c3 N- z4 R3 d: F2 h1 J# {4 L
20000-20FFF - 21000-21FFF - 22000-22FFF - 23000-23FFF - 24000-24FFF - 25000-25FFF - 26000-26FFF - 27000-27FFF - 28000-28FFF - 29000-29FFF - 2A000-2AFFF - 2F000-2FFFF' |2 K; Y! B' |
0 \ j: d* G: x9 ^8 l
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。
6 S) ?+ ^# K Q& a0 X7 O6 v3 x) F* o" q) G& h! s1 I5 Z# ~
什么是codepage?codepage就是各国的文字编码和Unicode之间的映射表。! ^9 S4 N! D, @$ C7 }
4 P- m0 Y) z! _. L1 L7 l, ^ 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 G$ X# {3 w' }' M
" B" d" p+ G. `2 T0 D% b codepage=936 简体中文GBK5 ?/ U$ q8 @5 _, h1 `
6 `9 i m- S4 c9 [6 r l codepage=950 繁体中文BIG5+ j ?$ f/ g$ X+ e
. i! R9 x, u8 i% x$ a" \
codepage=437 美国/加拿大英语! [' n' W$ s Q# v
3 }' M. L) D; j codepage=932 日文- m. }0 f1 t1 B) }
' e r5 {# L: D+ J+ z9 X
codepage=949 韩文9 r+ y( B* Y' R/ h
+ W8 S! d$ ^' Z: q: X codepage=866 俄文( N- i$ U( N1 Y; u8 A0 C; {1 e
3 G& ^% }- h( _9 d' i3 Z
codepage=65001 unicode UFT-8
! Y4 J7 d$ l; ^8 i' @4 y( M( O( ]) g% y
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。+ \- | o( n$ Q5 T
}9 n' Z0 u+ @ {
从936中随意取一行，例如：
+ u" [8 M7 q2 J- |- j2 A6 F$ ^2 {
4 O% D# S/ F4 U* F5 n# C. u 0x9993 0x6ABD #CJK UNIFIED IDEOGRAPH$ J% ^9 h: S* y2 G+ T4 \
7 Q6 _9 g+ h8 ?" u! { A 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。
. a+ t+ V( {# ~! b8 g
* n1 V# I8 ~% ?4 M$ \# Y 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?
6 C3 g5 U$ G+ A0 h2 Y5 a9 o @7 V# u6 x! v: 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?1 t) ~( L. w x7 q
; y+ Z, w$ d' b+ q4 Y2 O$ N; ~ 例：
5 K6 y3 T$ R; G. [. F2 B# k" _3 E0 f W/ e* r/ S% _. d
E4 BD A0 11100100 10111101 10100000
7 n) U# d: `8 T8 Z8 ^! q
0 V) P4 r! P" a# ` 这是“你”字的UTF-8编码. ^) G: D: e" C0 Q, H7 J4 `
% e% K) b( X2 k. A. [
4F 60 01001111 01100000
8 a/ d$ d1 @7 G( q5 Z/ s$ h2 N4 R1 [" ^8 D, E
这是“你”的Unicode编码
# Z0 w" Y; V- H
/ G% ^6 I {- 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。0 t* D9 a+ p& w7 x6 S
* q4 |# C9 r; _ 以下是Unicode和UTF-8之间的转换关系表：2 }. v& O1 L; J- a/ i
. b6 K2 J1 U1 Y1 z6 L
U-00000000 - U-0000007F: 0xxxxxxx7 W) E8 H/ s3 ^- l
: A$ C7 P. }1 _; |) ? U-00000080 - U-000007FF: 110xxxxx 10xxxxxx" U8 w" d! q- `& F9 ~
1 I; Q5 }& P" J
U-00000800 - U-0000FFFF: 1110xxxx 10xxxxxx 10xxxxxx- C7 g1 ], b8 V0 q3 m6 {
9 S4 l! Y% ^ J; `1 l# R0 o
U-00010000 - U-001FFFFF: 11110xxx 10xxxxxx 10xxxxxx 10xxxxxx2 w7 U( ~! y) r+ F
6 W$ \$ \! ~0 {4 ^7 @5 O
U-00200000 - U-03FFFFFF: 111110xx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx
; B1 b) G; g6 a4 `' |- _1 D! @) c; p
U-04000000 - U-7FFFFFFF: 1111110x 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx
' B3 F c9 f ^% [5 Y# ]- k7 b3 F" Y4 n! o1 d
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
| 