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:3 H% q, @% x" w/ _6 A
! m; V& v+ B$ o4 Z4 R0 D
  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。
" b4 M+ }% Y, N1 H" O7 w3 O8 V- O* k' B0 W
  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。
1 }! p( x3 r" N% R$ N0 x
- P. V( _: t, F& B0 j6 V  2、台湾,香港等地使用的是BIG5编码3 `. A) n  L3 w4 z5 {# a& K
  J3 J8 ~, O  ]( u3 o
  3、日本:SJIS编码
5 M* W2 [9 }7 D/ E
% n& d3 t- ]+ p3 J% h9 u& V7 a: Q  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。
+ x* R' m0 t: Q) A$ l- ~! j8 h; i
/ p( q* R" c6 V+ ^% 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。
4 k; Y2 |7 Y( p2 O  m, P, f; Y: a3 M
  Unicode的学名是"Universal Multiple-Octet Coded Character Set",简称为UCS。
0 v5 i. d" p# P( {/ ?- V& M
& C5 t( Z: f( {/ F% o8 y  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- O* a6 i* G0 R6 w

. k) l$ e, }0 I8 |  20000-20FFF - 21000-21FFF - 22000-22FFF - 23000-23FFF - 24000-24FFF - 25000-25FFF -   26000-26FFF - 27000-27FFF - 28000-28FFF - 29000-29FFF - 2A000-2AFFF - 2F000-2FFFF
3 X) T; t+ v. v9 r# s7 G' h& ?
. Q: A! l+ g+ b0 _# y  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。: z; E7 P" r' N# c, `2 _
5 D% s! s$ U# q  o) y: U
  什么是codepage?codepage就是各国的文字编码和Unicode之间的映射表。" s/ H9 X( u! n% X5 y" G

0 s& _8 F: ~! w8 P2 q) y  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。
1 E" u  O' N) |0 m; @% |5 l* J
: y) t$ S2 u  A! W6 f' n# `4 K  codepage=936 简体中文GBK% A$ m# G* U; v2 F* e

9 Z% l* O1 X1 _( P3 n) v  codepage=950 繁体中文BIG5
: R# b6 ]0 l+ u9 c, J/ g# \( H, X
, K- X* Q6 M8 b! J7 ]8 L- P- p  codepage=437 美国/加拿大英语
4 U( t' P; u' s5 P7 T$ I1 C7 y3 k4 K) _% p5 r8 @& s6 X
  codepage=932 日文
  n! ?8 m( q4 A) V1 m; ?# L/ U- W3 a, ~4 j" u+ S- }$ K& e3 u( ^
  codepage=949 韩文6 y% o7 z! F: U

& M8 k1 _4 |% |$ M! M  codepage=866 俄文6 A% H% A! B) N$ C' @8 g+ u

1 v- X9 r4 `7 o3 a' s, ]  codepage=65001 unicode UFT-8
# m& x) Y% h% k/ N% G* @/ f) H
  `2 U( i8 h! 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。
. R6 Q& \" g6 z& Y8 }
9 n$ h1 ?0 o8 Z/ S  s  从936中随意取一行,例如:
5 [& M. u5 n! ~6 n- @0 T0 j+ T6 d2 ~+ d% F+ [2 w: |1 R/ u
  0x9993 0x6ABD #CJK UNIFIED IDEOGRAPH
, \, C. R9 X) s9 ]5 L
$ m/ u- `: [+ n+ g0 p  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。2 D2 G: P! |  l0 Y" a0 v

) _1 t) P  ^: J0 h5 W5 u& z  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?
+ @$ b  i' z; Z- @. G- `, M: k/ |/ V7 w4 t  Q: `9 ]: |4 a4 N$ \
  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% E7 f! f/ ^$ N! p# |

0 Q, F/ R* e: n+ ~+ P  R5 J, z  例:' g8 p; X: a, l& e/ {

* \+ L7 y. o+ l: P7 e  E4 BD A0        11100100 10111101 10100000
# d5 U4 j& z6 R6 T' a( S4 J) m# L9 q! f) A' F3 P% }- F  I
  这是“你”字的UTF-8编码
7 ]3 D5 q7 {' ]7 B0 i+ L
4 O) i' Z. b, }  [1 B4 e) k; p  4F 60          01001111 01100000, X# O" `$ d. H# x/ B/ V

1 |* c2 V% K4 e6 y9 r  U  这是“你”的Unicode编码9 L: Q' o. q. X0 I: L
* |( I8 Q9 b( g
  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。2 y& [! n0 Z0 g' E8 P/ Q
. `5 m" O, B8 W
  以下是Unicode和UTF-8之间的转换关系表:
! n" P9 \0 w6 s
. V  Q$ [( N2 o  U-00000000 - U-0000007F: 0xxxxxxx
4 f0 W6 |) I9 V% c9 B" ?. Z
% \; W( d: R  ]% f: x8 o$ {; j. \, x% k  U-00000080 - U-000007FF: 110xxxxx 10xxxxxx
  K! M+ {+ ^0 [9 ^3 E, {
% H( k$ ?5 i& N  U-00000800 - U-0000FFFF: 1110xxxx 10xxxxxx 10xxxxxx0 O3 K) D; W# R3 S
: D  _. G% r) A4 o0 C; ^
  U-00010000 - U-001FFFFF: 11110xxx 10xxxxxx 10xxxxxx 10xxxxxx
8 W9 Q7 l0 n7 h  `* I- X! f" S( N+ r% B$ y3 ]6 r
  U-00200000 - U-03FFFFFF: 111110xx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx9 H6 |" r! o7 ?, C

4 W+ U  H4 k# Q& G7 t. R  U-04000000 - U-7FFFFFFF: 1111110x 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx3 `( H- n! {$ E
: T0 }/ \7 o# {; M, 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。

返回列表
【捌玖网络】已经运行: