|
  
- UID
- 1
- 帖子
- 738
- 精华
- 28
- 积分
- 14479
- 金币
- 2525
- 威望
- 1647
- 贡献
- 1473
|
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 `; j+ w: U7 n2 R/ O. v9 h
3 y; x0 G5 J# m( B+ 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。
8 C4 m. e7 W* o+ v: l: X9 E' ^2 l" c, c9 M: \5 ~
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。5 C8 I6 `; U* x. m
& O# V" {- C/ i" P& \) ]8 R 2、台湾,香港等地使用的是BIG5编码
8 |' g/ M& f6 q( X. l9 `3 c" g8 d! s$ F
3、日本:SJIS编码% A+ z5 C* I# ~; W/ J4 A6 T
7 y% u+ _2 O1 x8 d9 p7 f) r! _
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。4 n! r. y% C Q* p' u: C7 Z) X
4 l( Z6 I( S d
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。
+ e& q/ |& U3 z* c- v5 \4 D
~1 I0 b6 q7 j- D Unicode的学名是"Universal Multiple-Octet Coded Character Set",简称为UCS。
) f8 N3 q8 }" n' D8 q" W* _8 }9 E* q4 }/ d
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# z+ R" ]' ?
% i$ A! Y/ u$ ~7 ^3 T 20000-20FFF - 21000-21FFF - 22000-22FFF - 23000-23FFF - 24000-24FFF - 25000-25FFF - 26000-26FFF - 27000-27FFF - 28000-28FFF - 29000-29FFF - 2A000-2AFFF - 2F000-2FFFF
4 ]4 B$ o* \) K' J6 A% a6 |- x* e* m: s1 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。
0 A6 i* y7 M; A' f" a4 i1 c0 f1 t, x+ O7 T! M* n, _: s. Y
什么是codepage?codepage就是各国的文字编码和Unicode之间的映射表。1 K1 K) `. H$ W0 a+ v; Q
! C& a# \% w# q9 G8 o* M | 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。! e) H' y& k! Z( l
2 A! P/ z$ O0 D! k
codepage=936 简体中文GBK
2 x3 C5 e3 Z3 x% B5 H% W. n9 C* M# T+ _0 M( j
codepage=950 繁体中文BIG54 x3 h4 d: t+ D
" b5 s' {& B. s& I, m codepage=437 美国/加拿大英语1 m% z6 Q: w0 K1 ?5 g% i ?$ x
$ b: l, C$ P9 ?/ P9 C) E
codepage=932 日文4 j; ^6 {) @: ^. C% T- K
3 _: Q3 s# m1 S% j9 v1 s0 c codepage=949 韩文
! J. R! ~, f# v+ N& b# c; a9 J) s4 J* w/ N' x9 K
codepage=866 俄文6 |) O% C+ |0 Q7 D. M' r; r6 ]' N
) u7 x: x" `: A) P. h2 ]3 V0 z
codepage=65001 unicode UFT-8, M5 w6 ]* w' o
+ T" d+ a& K. [+ S, F 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。4 h! d. J; o8 a9 V# Y& V
) l5 C* O4 v5 t 从936中随意取一行,例如:1 c5 h3 X2 n& R) ^, X, f d
# X( Y/ o' d! V% L( I+ c 0x9993 0x6ABD #CJK UNIFIED IDEOGRAPH
) F; S- {9 W5 t, }' ^& ~" ~, o, F1 l& T0 M( @2 N4 ]4 H7 D
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。 W1 E; ~6 C1 G, Q- {: h4 K
; x: l, J/ E) p3 O8 j/ S9 b 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?
- @: \9 {0 b6 p
. c9 q3 |' ~& Z4 V3 ~+ Q 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?
' T8 A* R& F1 ]
$ M6 s8 O s; q; C 例:
3 `2 ]+ G* E( b T
6 b3 z" k8 K( ]1 b# Z: W0 N E4 BD A0 11100100 10111101 101000009 Z, Q+ o! r5 n- p8 F
. r; K5 E3 n2 i
这是“你”字的UTF-8编码- q' J E4 J+ g( s2 w% \
( F( H2 i. H. e( `
4F 60 01001111 01100000
( o8 w: H# Z. _' N) q7 X$ L& p
1 x. }8 G. p6 q/ U8 _4 r# I 这是“你”的Unicode编码
# j; ^) Q2 t; m9 ]# j3 f5 ~1 O i* ]" K. n
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。/ B4 w- A( q; O' X! k6 {1 K
) C2 B; ~" B1 _( U& F. A) f
以下是Unicode和UTF-8之间的转换关系表:. K u/ Q1 v4 C. L5 u0 |# \. M
. G+ M( P |! e# h, E# A- e U-00000000 - U-0000007F: 0xxxxxxx4 C- d6 L8 T! u0 t
! X$ S6 O# n' R3 q* r
U-00000080 - U-000007FF: 110xxxxx 10xxxxxx
( N% z& |+ u9 q% U' \8 b+ l% v, t; h" Q
U-00000800 - U-0000FFFF: 1110xxxx 10xxxxxx 10xxxxxx9 J+ c- b [ M; m
+ |4 [% W# q" p$ ]6 N6 z U-00010000 - U-001FFFFF: 11110xxx 10xxxxxx 10xxxxxx 10xxxxxx
+ G4 w! L/ F3 p9 R. f+ A- G
; m: q7 d2 v/ D+ D U-00200000 - U-03FFFFFF: 111110xx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx0 [" m* R/ O% o; ^& ^
) m5 Y: y* ?, X/ r
U-04000000 - U-7FFFFFFF: 1111110x 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx4 \/ V. L3 f) r" x
7 Q; r( l, _* n8 N9 }
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。 |
|