|
 
- 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：3 I# o/ O8 X7 N& @
, J! t5 ~1 O4 _! w" K- A 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。 Q) U4 L, R. c
4 }) r }* J5 U5 m" u. H 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。
3 [4 C3 ~$ v- C6 B0 Z7 v: @0 [7 x
5 s5 W' O: j$ d& }* G5 o% P/ Q 2、台湾，香港等地使用的是BIG5编码
; V# d; L! N) H* I; z0 Y y6 j7 C5 _) m; |+ ?3 _
3、日本：SJIS编码3 @( Z* y- J. O( `; J3 j
, V; y8 d, t, e
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。
2 v& X8 z+ u# _; k* r+ K8 ?0 w. ^& U/ |8 M- q0 |
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。
$ n( S: W/ i/ |3 ]5 W8 \
4 U4 w: B% x( ]6 U Unicode的学名是"Universal Multiple-Octet Coded Character Set"，简称为UCS。
+ r1 O: G2 R0 D3 c$ O
1 @6 ^+ |. z7 A0 V- C! h 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
( J: W0 P: P7 O* ]$ l0 L* X Q5 h- ^+ e
20000-20FFF - 21000-21FFF - 22000-22FFF - 23000-23FFF - 24000-24FFF - 25000-25FFF - 26000-26FFF - 27000-27FFF - 28000-28FFF - 29000-29FFF - 2A000-2AFFF - 2F000-2FFFF
h$ r' C- W- t' I5 _3 V
! I2 K& G" c0 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。* X$ x& u' g$ M6 A8 @& {6 T- C
" O4 p" V+ F- P4 g2 e7 B, a
什么是codepage?codepage就是各国的文字编码和Unicode之间的映射表。2 e# _' d6 T" j
2 [# c- z, E1 x, e5 e9 B5 t# F- E 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。
: G0 `6 `0 }* u+ x, |# d( X: t" ~ r
codepage=936 简体中文GBK
7 K# ~. Q3 ]6 l A B, E! Z& k& Q: Q7 \
codepage=950 繁体中文BIG5
, F6 p* v/ J' }( W. J. u$ d4 m9 _9 C8 _" q6 `! [. f2 q2 [9 b
codepage=437 美国/加拿大英语7 F# X4 K2 I& V" H: v$ y
1 P! f$ ^# Q& P# S ~. W
codepage=932 日文
0 u* e' _& V/ W1 Q T i3 y# D( f
" b% B; B. j1 r2 H! @# h codepage=949 韩文
( f7 ]5 {8 M' O% ?. F
* Z4 c# b4 \. }* P/ B codepage=866 俄文
0 B, J' d: e; x
9 m) t9 n/ X6 u# @- G( ?3 [ codepage=65001 unicode UFT-80 f5 g3 p0 y) j5 S, t
# ?2 z0 p' } }, R) S O' q 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。
" a; X+ g4 U6 d0 T9 B0 A% `& A; O* s7 C
从936中随意取一行，例如：) V; j4 X! X+ {6 m' }: L( i
# W7 l5 _4 \4 M8 C9 h0 e; Q
0x9993 0x6ABD #CJK UNIFIED IDEOGRAPH
% C3 m R4 C: ^1 Z% b
# q* I6 ~* Z$ \+ a6 t5 @1 y3 v 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。4 w1 d6 `$ C( Q" s+ O! b( Y; X, V
4 ~+ Q, c! Y# 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?7 a+ b8 \; o7 Y6 r. b/ `# Z
6 g, c- |6 D1 J1 ]& O 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?: J7 ?- n) y% l
( G, Q3 q$ n7 b7 s 例：
% s: F! x, \2 e
% a! g/ i1 R0 t: A. C E4 BD A0 11100100 10111101 10100000' `! C+ t9 j* J" r
# i0 L; q7 p. o" ]! K7 j1 ~9 T 这是“你”字的UTF-8编码
+ Y, A: [4 _% Z5 z5 |* X) s9 I7 D
4 _. e' ]! }; C8 h& N 4F 60 01001111 01100000
3 O$ S3 k2 D i) K5 S G2 l
6 G5 w Y8 \$ e. r 这是“你”的Unicode编码
" f$ E1 c6 o& ^1 I6 @4 s1 M! c' r" v- ^- c" P! |1 |. Z; _' M( 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。
% j/ `' O9 I, X
3 Y, x; W! c! J2 R9 [ 以下是Unicode和UTF-8之间的转换关系表：5 {0 F+ j; @ J1 C9 v
+ T& {% f' |8 d6 o* H- X
U-00000000 - U-0000007F: 0xxxxxxx
" c. @% o6 A1 ^# B& W( W
! |# T$ \7 M" ?) q9 ]; @ U-00000080 - U-000007FF: 110xxxxx 10xxxxxx o- r" b9 w. }
/ J2 q6 l" O5 r
U-00000800 - U-0000FFFF: 1110xxxx 10xxxxxx 10xxxxxx9 f& S- Y7 v" R" W) n
, y, `! i* }0 l6 D U-00010000 - U-001FFFFF: 11110xxx 10xxxxxx 10xxxxxx 10xxxxxx
8 X c$ \6 _5 V5 u+ c' T2 c! ?. c, l' j, o+ H
U-00200000 - U-03FFFFFF: 111110xx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx, K& i5 `2 F Z' I9 Q
" `7 e9 w7 y* \, g
U-04000000 - U-7FFFFFFF: 1111110x 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx3 ~$ s# P) A+ C" C
, |& C. {& H1 G5 j4 L; K/ B$ {- l: ?. x5 O 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
| 