|
 
- 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：/ S, ^+ _1 t0 d5 d- y p8 n
) r& n9 B0 l5 e3 x+ h 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 q% `, ]2 k9 u% w; v
- i: }6 H6 Y( o% K, S& p# p( f
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。
! Z/ z, O3 \& A3 j: _% H, }( A1 j- `4 E3 L9 k4 w; t, S
2、台湾，香港等地使用的是BIG5编码
6 a2 w; X1 {7 |% V# C) |5 X* B/ {
; U+ ]6 f7 {9 V8 [ 3、日本：SJIS编码
8 y Y- \4 H0 \2 V0 v$ d w% f5 G8 v& M8 g, k3 |
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。
3 P' c2 n q9 T1 i$ ?/ }- E
4 f. n' a, W( s2 g* i) p0 s1 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。0 C4 \9 ]$ ^$ V( J6 C
$ D W4 ?; O: @- H8 H' m5 s
Unicode的学名是"Universal Multiple-Octet Coded Character Set"，简称为UCS。
+ G9 G5 X; z5 Y9 A5 \ _; M
`: b' M" \1 F; a 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 ?: U* V. _7 J/ J, I! F7 b& M4 z
8 w; c5 E+ B( r! \1 V Q
20000-20FFF - 21000-21FFF - 22000-22FFF - 23000-23FFF - 24000-24FFF - 25000-25FFF - 26000-26FFF - 27000-27FFF - 28000-28FFF - 29000-29FFF - 2A000-2AFFF - 2F000-2FFFF- S, x3 K4 B5 f3 A7 B0 k5 [
5 q D7 [" @. W1 A/ H 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。
/ M) e) @ J S! j- ^2 v2 o" v Q6 U( n$ T( h- z$ f( h9 j- Y, ^3 X( m
什么是codepage?codepage就是各国的文字编码和Unicode之间的映射表。
8 s$ w; _7 K4 }, U8 H- G7 s7 e
7 {: x- U }6 G7 s# E8 ]# x8 D# B 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。 p P6 J" ^, {! @! @0 q2 N( X' D' y
. }# }2 @$ h3 [2 ] codepage=936 简体中文GBK
! n4 X4 r0 F/ t' O- [0 c
9 s& S) c8 |6 p3 Q! f* ^ codepage=950 繁体中文BIG5! J7 a" d& C1 e
( m# c# Y# _. F$ G+ b codepage=437 美国/加拿大英语
; x4 Q' H, G" U: R
! F! I L3 M j' v1 V! D codepage=932 日文/ v$ A) f. S U6 t
. K5 _% D# f# Z' H: r2 ~
codepage=949 韩文
9 b* i2 b' k% h9 }
$ ^! ~6 q. k% m: A5 k8 Q codepage=866 俄文- T6 m5 j" n, H& l2 N! N
( Q3 g3 t' `- N& ]0 G. S codepage=65001 unicode UFT-8
# P0 r" F5 t; O
8 h) M* ]& T6 D4 ?7 f 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。
. D7 S: u0 \! ]. v8 w7 Q& q& h. \8 K3 t; j9 E
从936中随意取一行，例如：1 F( z0 o5 C n/ i! \2 N1 X" O
" H, f' Y1 r+ q* i
0x9993 0x6ABD #CJK UNIFIED IDEOGRAPH
: u8 O8 z4 J) j2 Y" x& p) {; a; F" g0 {8 N5 t! l& H0 Q& E0 F
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。
$ h- v- o0 |8 A( m: \* M
# Q5 O8 P( R: j+ d! ? 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?- @# e5 V- w$ p* w1 j8 u7 F" T
9 C1 M3 D% _$ m U4 m 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 m/ @& u v7 ~6 O4 E7 g. v/ I4 y- P: F" p& T
例：
! _0 \0 |) G0 \: E' s
: m) n9 v& ]0 \% ?$ U2 P& E h E4 BD A0 11100100 10111101 101000009 j/ M x! q6 Z% t+ `6 b( l
$ x6 x6 g& l" B) p1 q9 p4 H) L
这是“你”字的UTF-8编码
, j. d0 z* ]0 C! |
m F' R1 s0 g8 @ 4F 60 01001111 01100000
9 o- n" b' O* |. ?) [# d1 f4 l8 i* f4 }/ J) t
这是“你”的Unicode编码; C! ?: ]; j1 S1 h' r7 y
Y1 M$ U* l! Y( a% i0 i 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。# e7 ^' s/ e# h. ]+ j
; U7 o9 c- w: O2 ^8 V! | 以下是Unicode和UTF-8之间的转换关系表：' B0 O, ?+ d5 C+ e
. ^7 `% {0 L+ y! r& s* t U-00000000 - U-0000007F: 0xxxxxxx
' r- l ?% Y, h% k U
( j# q3 z8 w3 c" X+ T U-00000080 - U-000007FF: 110xxxxx 10xxxxxx* A! A6 ^! D6 ]/ [) Y: i
4 u+ ]' F4 ?8 T' K4 x k
U-00000800 - U-0000FFFF: 1110xxxx 10xxxxxx 10xxxxxx
9 ]: y+ Y' } \' z& U' i" I1 V- b/ ?) l
U-00010000 - U-001FFFFF: 11110xxx 10xxxxxx 10xxxxxx 10xxxxxx. v% N$ z0 x; I @% x8 z1 g& V
4 w8 J6 ^9 y5 i
U-00200000 - U-03FFFFFF: 111110xx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx
5 c7 W$ W% `0 |& D8 r
) ]" Y, x. \: B/ W U-04000000 - U-7FFFFFFF: 1111110x 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx5 N' ?' V2 e9 Q: R- J
3 Q$ T5 |1 a% H9 H$ y 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
| 