|
  
- UID
- 1
- 帖子
- 738
- 精华
- 28
- 积分
- 14443
- 金币
- 2507
- 威望
- 1647
- 贡献
- 1455
|
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:. r# g$ _ G S+ Y# Z
N' S0 p. a K; ?( i8 Z7 ? f6 s, m
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% a5 ~* X8 ^6 ]: ]
( Z7 `$ a$ m1 @8 e. d( t 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。7 g$ K. v& u& y. r7 f: d2 Z
' l# j- J" c9 Z# V6 q
2、台湾,香港等地使用的是BIG5编码: l& x; H+ }" M8 s( g& J8 j8 S4 o& U$ K
1 v5 m7 y. H9 S D: i8 s3 ? 3、日本:SJIS编码
% _9 T" b- Q: D0 b3 m3 V" A0 _3 k! z# X. Q6 ?
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。
@% A4 \8 p' w# l- n( j0 ]. c3 ?5 N" \5 L1 k& v9 M: B$ n3 t! a5 y
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。# s- W- t M/ j& w
g. W( e* n I! W5 J Unicode的学名是"Universal Multiple-Octet Coded Character Set",简称为UCS。
6 X# {3 U+ C/ F2 W
! P' @& d) W c( ~% { 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
2 |+ U% ?6 ^- M% V3 o3 e- S5 ^) ^8 _+ S) }$ e. Q" f5 d2 D, 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
$ z+ ]- V7 B) }. v
' }+ \% S+ o1 V, t) q1 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。
) L$ y9 Z. p" t0 Q/ f6 O+ F* n! v: T
什么是codepage?codepage就是各国的文字编码和Unicode之间的映射表。
7 F. n v$ c1 p2 c8 p+ j F2 l" u7 @
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。* U4 e/ t0 d9 F2 F' T# ?- `
8 U1 e0 x4 w z& k0 [% D9 ^ codepage=936 简体中文GBK
+ Y! G; r6 f/ e
( A- {: I8 {( S codepage=950 繁体中文BIG5
& \- g/ @7 y2 ~* A3 a, p7 O: m; e0 w" w' P0 D0 v1 @
codepage=437 美国/加拿大英语" g7 L) l0 X) z# i A2 y& w
* f- L( B- {9 Y/ _ codepage=932 日文8 k5 H9 Q+ ?. L. ]1 f+ E. Y- l3 M
& h" f, o# A) r0 L
codepage=949 韩文7 {; G! @" D( _! B6 T% O
' a+ T0 V+ j$ v4 {$ o) F: R4 e/ @
codepage=866 俄文4 R1 G4 G. i7 d i+ f' l
. n) r0 z' s! P7 S% c5 V1 E& O4 u) D
codepage=65001 unicode UFT-8: _6 b* j% C0 b9 N
. ?( Q% l4 H' W9 i0 h
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。% N$ O9 }& K8 h4 o6 L
' k, Z% E! m# p8 L7 ^
从936中随意取一行,例如:
9 F- n! a4 U8 a
. [- U% w- f# H8 ` 0x9993 0x6ABD #CJK UNIFIED IDEOGRAPH) Y# ~! `/ p3 t7 l
( e; j5 g$ S6 ~
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。( S, N3 j! T4 F. t& w' M+ F: R
[ i# n& w8 P6 s8 S. P* 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?/ Z* v- K* o4 _: W6 M( x" c2 n$ Q1 L
4 {! x; C+ S9 ^* k" g5 I% Q5 E! R
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?
: v" q# V6 K% i' d! J
: p6 a r6 H9 R! { e. y" e 例:! g2 i8 U2 d: n2 h
" `8 k% ^9 H0 d$ ~8 \: L" j! K E4 BD A0 11100100 10111101 10100000. n, l. s4 m9 ]3 v
! s: U- y2 M) { O" S5 J 这是“你”字的UTF-8编码$ K2 D. r. t0 S4 i/ O7 l7 O3 B
* h4 D$ r5 u$ X/ P. i9 S 4F 60 01001111 01100000
: A/ o& x1 w ~' Q( o0 z) A2 c1 r& G7 x2 E- o- ^
这是“你”的Unicode编码/ o) V, S1 z% e8 Y
" p4 b6 y- _" A+ z# @( y 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。4 [. H$ {3 ~9 ^/ b/ {
5 N2 C0 R: g2 g
以下是Unicode和UTF-8之间的转换关系表:
- v/ [8 W2 F, N- I1 |% V8 h! j, {0 S" b# Y' g) e/ A2 U
U-00000000 - U-0000007F: 0xxxxxxx
) D& t7 c- l) T: u \$ ~ N3 P; A H
U-00000080 - U-000007FF: 110xxxxx 10xxxxxx
3 x( b. G' A! z0 M
7 g/ z' J" a4 y+ @- u& N U-00000800 - U-0000FFFF: 1110xxxx 10xxxxxx 10xxxxxx
3 n* F; j ?5 M. F# c# M
" g/ E: j/ Z( @- X- h! @6 A U-00010000 - U-001FFFFF: 11110xxx 10xxxxxx 10xxxxxx 10xxxxxx
, K6 n" M4 V" A# ]3 `( w0 A9 G' }/ Z) e Q" w' W
U-00200000 - U-03FFFFFF: 111110xx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx
$ ~* T# F* h$ _1 G$ i
% A/ t5 ^8 S' B0 ^1 |. G U-04000000 - U-7FFFFFFF: 1111110x 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx% d C1 R) v% R+ X3 d. a5 x
0 e% T6 Z( L m% R4 M 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。 |
|