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:
+ T* X! _, o: d' m  L
" Y. m0 V2 L9 R% W) U  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。
. D) F( f( S' z6 W
# Q! U& Z7 U1 c5 s  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。9 w7 w6 T* k9 ^6 L/ W" _+ y

$ S# T8 H& K# }9 D  2、台湾,香港等地使用的是BIG5编码8 o* a1 g8 C/ X5 t$ u& ]2 V, U* w! V
( b& Q, y9 b3 z' u) A
  3、日本:SJIS编码& z4 e0 _# s$ G" T

4 ^# |' }/ n3 d  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 d% X, y* p6 J$ _$ Q7 q
: f9 D0 R  r- b. g2 U& A  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。
+ r5 a  d1 U% ]+ H- s
* w* {, w5 S1 {  Unicode的学名是"Universal Multiple-Octet Coded Character Set",简称为UCS。! T0 o% P  b3 W

6 X' v( t9 H3 u) r8 v) m- ]( r  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
# u; T6 K# t  ^3 i* `
6 k% S3 K( j' c' `5 ]  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  y/ _( h; ?: Y( Z) y* D. q
, I$ _7 \' O) h% z/ S' r$ ^
  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。1 U* W% J9 S+ H

5 b- a% ^: B$ |0 ]# Y, d  什么是codepage?codepage就是各国的文字编码和Unicode之间的映射表。
1 E, w4 i: J/ c6 Z# D6 d1 u4 T- ^' {. Z1 e2 j& ~
  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。
8 Q) f, t4 P$ x0 e1 I4 p) r1 O
" m: D( {. y; u  m- `0 v2 W, D7 [  codepage=936 简体中文GBK
4 g0 Q. i5 `! q: Z- ^# q
* D' R: q: ~2 d) ?' M& ~" z9 e  codepage=950 繁体中文BIG5$ F( `) ]; |; P7 R6 J  _* z) y

8 }: z( `; J8 _2 R" M( E$ U  codepage=437 美国/加拿大英语
( T; D! n9 X* V8 t, }- S5 \
, n2 U. [0 G' Y  codepage=932 日文
- Z2 Q5 E2 E/ Q; j' P9 X* j$ I
6 c; n5 ?2 _/ n4 ^- d& l: L- @0 s  codepage=949 韩文
0 M0 y" {. F7 p0 m* x- x/ W/ Y3 H1 m5 P
  codepage=866 俄文( Q& r6 T* h5 W. @) d$ J

3 l: s+ {4 m$ a% X- S1 M  codepage=65001 unicode UFT-8
# P6 D+ R3 \" Z6 W* ]3 E' w! E  h  x; u1 f2 P7 y/ t6 }( j1 m
  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。1 ^2 U' p" {/ ~8 y. s/ a4 W

" A. w+ l% }" \/ c) o  从936中随意取一行,例如:% L9 I+ \: H$ M/ H" C
$ p' U& B. S% S2 c3 B* O
  0x9993 0x6ABD #CJK UNIFIED IDEOGRAPH' P; `& H/ g* m3 V+ F% e2 j

. |' Q9 q2 B( m- O0 c* r  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。) R; x$ K. ]: w2 \# o
4 P1 y2 M1 N  O  U2 R3 l
  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?0 \1 c3 H4 L, b2 ~% }

; R. ~  K; M8 g9 j. z5 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?0 J4 g3 i* Z4 d0 s3 m
* y- W! X+ E: @, W
  例:7 [6 v7 j  C- C. O, x7 Q2 ]+ |

4 x2 q, Z. [2 ~0 @% f! A0 _  E4 BD A0        11100100 10111101 10100000
8 U$ x' @* d5 W3 ]2 i
* _& r; E+ u4 `4 o  ^8 }  这是“你”字的UTF-8编码
6 ^6 X8 k! R/ d6 m' A6 K! \2 [) r
$ p. t2 ?4 }7 \$ p) X  c  4F 60          01001111 01100000
% u' M' N, a0 Y/ y8 L
, ?% Y) d! q1 V- }! ^: K' b$ y  这是“你”的Unicode编码* t" o, k: q3 ^. S! q9 I% S
+ [) |8 I! j' ?' J% m* r
  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。
: ?) P, {, l/ }8 `% y; n
4 R: E9 s8 U/ \: n1 ?: k7 G  以下是Unicode和UTF-8之间的转换关系表:& \7 z5 w3 ]% z' i! M
% T4 Y; S1 t% {4 A$ S0 T
  U-00000000 - U-0000007F: 0xxxxxxx8 B7 E: c/ N+ M, P/ O2 t
8 N$ n+ V5 [% T- b
  U-00000080 - U-000007FF: 110xxxxx 10xxxxxx* H8 a& P. M) D0 B' E0 M$ e
4 Q4 m) e8 L' b  N& L1 g
  U-00000800 - U-0000FFFF: 1110xxxx 10xxxxxx 10xxxxxx
: m3 y- Q1 h' o, I* l% E' N1 W( k8 t
6 Q) @1 q" H2 r/ a! X9 C  U-00010000 - U-001FFFFF: 11110xxx 10xxxxxx 10xxxxxx 10xxxxxx% b& N5 X6 N% }+ ~

3 j- s. G7 K0 v: x  U-00200000 - U-03FFFFFF: 111110xx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx
+ o/ q$ l3 h! K- }8 ^2 u' D( q" g* j
  U-04000000 - U-7FFFFFFF: 1111110x 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx
$ Q( R( K% r  G$ g: ?
+ \6 |' a! Y3 o0 B# o8 t  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: