返回列表 发帖

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:
0 A5 o- _. d7 Q9 b- c2 s: l9 J/ c5 Y) D( B) y: Q
  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。
' N# g" L) O* z7 y/ `0 R0 ^+ h6 C3 ?
/ J. k0 K! O' ~' B  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。
& k) a* o/ @6 C
( g* e  I5 E/ Q9 F  F4 n8 v6 M  2、台湾,香港等地使用的是BIG5编码
" j# j! q, o2 S; I! w% M
/ D' c' X9 k4 J% v8 _! g. ]  3、日本:SJIS编码% |4 W( R+ ]9 h4 j+ r
- d1 ~  d! ], W
  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。
9 M1 _* a9 x2 J  B! @/ j
. s1 w+ V; `7 z$ K9 D+ @. y% u  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。3 [7 Z8 x3 p! H$ A
9 T& {4 `" n3 g: Q  q
  Unicode的学名是"Universal Multiple-Octet Coded Character Set",简称为UCS。
  a; R; u7 H% |
8 r$ X8 b' h; x- v" h/ K5 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) e: g0 r& |8 A8 u! N$ I5 L
% D2 ?* Q% V5 _- a& b; `2 ^' P; I; X* X
  20000-20FFF - 21000-21FFF - 22000-22FFF - 23000-23FFF - 24000-24FFF - 25000-25FFF -   26000-26FFF - 27000-27FFF - 28000-28FFF - 29000-29FFF - 2A000-2AFFF - 2F000-2FFFF! D! O6 |0 I6 }

. j( V. B8 C  H# L/ J  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。
/ \( q; |: T- e3 M5 C* @# Q/ |$ f! g
  什么是codepage?codepage就是各国的文字编码和Unicode之间的映射表。3 d+ P: k4 ^; H. c; C! Q
% E. J( [7 X" U: M0 K
  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。
3 x. t0 p% R8 v- p  N4 K) ~5 A& W3 J. x* i
  codepage=936 简体中文GBK
  [. D+ t2 T4 O5 _! j; u4 i
9 Q2 |) P7 j# }, y5 D5 t" j( S  codepage=950 繁体中文BIG55 K  ^, L/ ]8 t9 m! u! Z% G

5 N+ P# z$ [+ f6 k  codepage=437 美国/加拿大英语! W6 [6 s# }+ V

& m6 j4 i; L+ s0 I! E7 @/ h  codepage=932 日文
: l; }3 x8 B7 m3 _5 k* M  O6 i  h# ]  }5 \
  codepage=949 韩文4 F5 `! ~2 s" w4 h4 p

" B) r( o; F) v0 B% q  codepage=866 俄文" M; g: [3 Y0 ~$ D. I, o& c( @
+ W) F! k- l. [& [- q
  codepage=65001 unicode UFT-8  y+ m" u' O3 K7 _

+ ^* }, |: t) H3 \* Q2 A. a  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。
* S$ F6 s/ @9 y. k2 ?& i5 z; \2 {
  从936中随意取一行,例如:' G) j6 i- w. W9 X2 k

. e4 m2 I. @: N; O- N  0x9993 0x6ABD #CJK UNIFIED IDEOGRAPH
5 q. C, i, {* @9 X& {6 z. \/ Y4 z2 _' w8 O
  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。
- J$ P( ^0 ^$ h% w/ N+ e" W# D3 g
. C, y& v! ^7 {/ 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?: T! T6 N, s+ u5 X; e, b; k
: H8 C  q( f/ H7 M! b( e
  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?
2 J  F- Q' b) Q  X5 C8 }1 ]6 R, G& c% H5 y$ N6 Y
  例:
, c; ?1 e: d  ]  N
+ m9 Z7 M: w) L+ o# y  E4 BD A0        11100100 10111101 10100000# \; e7 v1 l  ^3 X) V, o

* V5 C2 ~* i1 N. L  这是“你”字的UTF-8编码6 l! r( q4 ]$ f3 L% W
5 |& \6 m5 U% y; Q  r4 |, C
  4F 60          01001111 011000006 m' Z6 r/ `0 \' y5 R  l) P
9 B( M; F3 l7 Q, p, @
  这是“你”的Unicode编码
: B: j! l+ v9 w7 w. b- \% L8 F
  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。
! R- U, x! ?$ Y  t
" |! M% o$ \' s$ i: K! t+ J  以下是Unicode和UTF-8之间的转换关系表:
' d/ z+ T+ }. j3 h5 {% t4 X4 C5 H/ d1 L# f$ h6 X, Z2 s" }6 C
  U-00000000 - U-0000007F: 0xxxxxxx
: @2 h4 u6 j. j6 B) p6 T
) d, j9 ^8 a" X7 P  U-00000080 - U-000007FF: 110xxxxx 10xxxxxx) V" ?1 [# E8 n. i: y
7 a# `+ s) @; J; i6 o* o
  U-00000800 - U-0000FFFF: 1110xxxx 10xxxxxx 10xxxxxx: t7 U4 Y4 ~8 q

1 @6 S% k6 N! z* L4 `# _  U-00010000 - U-001FFFFF: 11110xxx 10xxxxxx 10xxxxxx 10xxxxxx
6 T  L4 v4 w- e% l
; g& i3 A* a% ^; [7 C* Z  U-00200000 - U-03FFFFFF: 111110xx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx& i) w3 K" B1 l9 c) h& g7 U

3 j0 I0 \1 r" d% M. `  U-04000000 - U-7FFFFFFF: 1111110x 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx! h; w$ z- m7 L3 j0 B$ E- b

: S, ~6 R) V2 @- q7 \  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。

返回列表
【捌玖网络】已经运行: