标题:
HTML语言:什么是Unicode 什么是UTF-8
[打印本页]
作者:
admin
时间:
2008-1-19 23:35
标题:
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:
- `6 u( z5 J% S, R2 u6 _" S
% ]; Z) h7 v* I; w- a6 w
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。
; r+ D! W9 Y8 Y9 R5 b; M, Q
+ l( N9 _* d# @5 x" e! _
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。
J( ? ^% ^" P& `# R
" M9 A3 C% ~, A3 G. q' A7 k
2、台湾,香港等地使用的是BIG5编码
+ u3 @2 r, A1 W& \
3 F" M& ^0 Q; }# P7 I/ E2 p- S
3、日本:SJIS编码
: W$ E6 x" }. n# z, H
, U9 z4 A- D/ o
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。
8 n; X }1 W! ]" V6 U4 S
2 F' N3 T. N$ 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。
9 _+ {' W0 {5 P8 a
9 ?* E+ A, p1 o; O9 f" Y
Unicode的学名是"Universal Multiple-Octet Coded Character Set",简称为UCS。
: m9 d! j# S- C" T
8 A, P1 Y7 k+ l4 T
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
$ p" ~5 F% a' A, ]7 V1 ~
" \9 D4 d" D, m0 }3 U5 Q! I# o
20000-20FFF - 21000-21FFF - 22000-22FFF - 23000-23FFF - 24000-24FFF - 25000-25FFF - 26000-26FFF - 27000-27FFF - 28000-28FFF - 29000-29FFF - 2A000-2AFFF - 2F000-2FFFF
9 v! W& n O$ h% A, y: h
* K( H; ]# A# }5 \7 m, u
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。
/ Y- W- G- Z. f1 i7 j- t9 x
8 d" d- ^$ x' B( \6 p
什么是codepage?codepage就是各国的文字编码和Unicode之间的映射表。
% ~0 z6 A5 E5 F, U
" H* \$ h( j. p4 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。
2 T5 u" I6 u" H1 |) J- A
- k, e4 w- B6 G0 x+ @! X
codepage=936 简体中文GBK
G" E6 E X" e' i) P2 k9 D( S
3 s# [9 G! v6 h5 m3 ?3 Y/ }
codepage=950 繁体中文BIG5
3 U( P1 f0 v! L5 y" }
) P s' Z4 {. g
codepage=437 美国/加拿大英语
( o/ ]9 R- W4 b4 u' X3 H0 d4 ]$ V
' T# J# Q" p1 G7 y
codepage=932 日文
) B$ `. p+ k3 r5 c6 `
. W0 e4 A' {" ^ V v% ^
codepage=949 韩文
0 @& }; k+ Z2 @
% I* x; P! X) U- W3 i: }1 S1 z1 ~5 g
codepage=866 俄文
/ S# P3 c0 ?0 y: Z% |( O
* V+ C# L9 R$ h
codepage=65001 unicode UFT-8
/ f) K$ U( T! p5 D3 \5 Z3 a
\, h' b( w/ \" l# @1 H8 v
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& Y! E4 W: \; h% _
. Z5 R/ U* |7 ^7 m, K" f# S* w- `- O
从936中随意取一行,例如:
) ~- T& O4 B, a, z4 C
& V1 g0 C0 j+ ], @5 e0 l S
0x9993 0x6ABD #CJK UNIFIED IDEOGRAPH
4 i9 w+ Z [# r, y2 Q. l* J0 J
/ @* q- @, T' b5 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. L; P5 ]* B6 y! v
4 b4 e% F. u& k( m4 r
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 r( S+ Y3 z3 i# E! [# v
' J3 L% r. Z3 J5 ^
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?
/ i& F C" s( z, ~
0 @# z) ]- h% y+ Y5 {8 @* v
例:
- C' S9 u1 t* H/ H7 E: ]# }5 k
. `6 `0 C$ C& }: f( y, o/ K
E4 BD A0 11100100 10111101 10100000
, h S9 j+ H. ]' H! {
( z) u2 w/ e* W# n M& A' ]* n% {# {
这是“你”字的UTF-8编码
/ M9 @7 g" A4 s |) ~5 @# G
' o3 Z1 U: M: {5 U& R( A* z. p/ H* }
4F 60 01001111 01100000
' ^9 f- @) m# i7 E4 v
' f# H% b. ^0 O" p: x P* }
这是“你”的Unicode编码
8 u d @; `5 {8 X; j
4 _7 ^; D! a( h( n8 B. G6 R S3 w
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。
0 V8 [ c; L1 q
% w2 W. _' w! H& M. q1 S; o
以下是Unicode和UTF-8之间的转换关系表:
( `: N3 F5 C1 U/ G" o/ u
) N( z- `$ n# }! q& z
U-00000000 - U-0000007F: 0xxxxxxx
, ]$ C% ` f W: l, B) Q/ A
% B( k# L- k0 o9 `8 J$ L: ], P' u# ~
U-00000080 - U-000007FF: 110xxxxx 10xxxxxx
# E$ N, z% ~7 e+ Z
+ s0 r) x3 E7 v) ]' Y( [
U-00000800 - U-0000FFFF: 1110xxxx 10xxxxxx 10xxxxxx
, m! U9 C" F& q. e
! N# h ~! X; z+ i2 h) G3 o2 C
U-00010000 - U-001FFFFF: 11110xxx 10xxxxxx 10xxxxxx 10xxxxxx
- l: B# ^ k0 i/ H1 {0 u
! F: {( P- S G7 L+ ]0 L
U-00200000 - U-03FFFFFF: 111110xx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx
, g5 r4 h* P& U) H3 {7 F: b4 x
1 h& I- _( c% Z
U-04000000 - U-7FFFFFFF: 1111110x 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx
! j% k2 Q" D( j" x1 F
& P0 m$ M% b. c( x8 S
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。
欢迎光临 捌玖网络工作室 (http://www.89w.org/)
Powered by Discuz! 7.2