|
 
- 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：
4 z5 t( d8 `- J; y1 b5 X' P
: _3 {- @( R- G2 v 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。
/ |# L) v0 N' @
! @/ `; X9 U3 _' C2 J4 f. O 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。/ e' e) K; d8 D1 t. g4 G1 V3 E8 V
; M" V H! t" P- x' s% l5 x8 Y 2、台湾，香港等地使用的是BIG5编码
6 U2 M2 _3 ^$ O9 @' b" d# H( l& P" f) Q& q# S1 x8 n
3、日本：SJIS编码
0 R. {+ s, G0 t+ i: V
1 K2 }; z9 M! l 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。 O0 t1 _, I& P# {, i: B. V
0 H0 A1 E1 J, [7 Y- m1 Y+ b1 [, l
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。. g# T* B- N. ` v6 k8 b5 a
/ L. \$ H+ b @2 B' ], B# x
Unicode的学名是"Universal Multiple-Octet Coded Character Set"，简称为UCS。( T5 d# O x8 N' B
) u/ g0 u3 j4 i 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
0 K) ?% n; I) W2 S( f0 S
9 C. ^' ~3 V, |! N% X0 z+ f. U2 ? 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 A9 e2 x* R4 V0 H# a; h
' f# h ]' f* S. Z 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。
( Q' E9 Z4 g+ x) F' H& V9 w7 Y4 w, ^, n0 ~6 K Z/ z3 ~
什么是codepage?codepage就是各国的文字编码和Unicode之间的映射表。* i, u) k# M9 m' L' A1 P/ b+ p+ F
# b/ |7 q# y0 @3 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。& u! y; w1 W$ F% b# X7 S3 L
0 M0 _, U# @) |+ i8 d1 u5 F codepage=936 简体中文GBK4 h9 o' s4 }& l/ A
. O0 i: `: r7 j% h codepage=950 繁体中文BIG5
! `6 h7 Z; b, Y
4 `, s7 d8 }3 ?' }/ @. l codepage=437 美国/加拿大英语
" G1 u/ o7 r5 G J- \) t0 \4 s6 ] C9 Y% z4 ~; j
codepage=932 日文
9 Y& u# v* \6 [' e% T# M; i4 Q
7 E! m7 S! ~7 w* ^5 U4 `% g codepage=949 韩文( V8 y# f( [' E5 p2 e
- s% `1 L0 l& _/ X3 V' z codepage=866 俄文
9 t+ A9 z$ [8 ]( u" A3 b1 _, b3 a+ a8 O5 m6 l/ P9 V
codepage=65001 unicode UFT-8 a3 o; D# D/ P5 T
8 J+ x; W/ K( ?" G- d! W' G& ^
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。
P8 n( X# h, \% T4 j3 Y
+ f5 G @3 V9 b* Q( { 从936中随意取一行，例如：. t2 q) H& F% w/ _# Z
. H9 M, x* X8 r 0x9993 0x6ABD #CJK UNIFIED IDEOGRAPH
: I. K8 G; M0 J ^$ P2 u: Z' K# V, m# s: ~; ~4 p. c
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。
" g$ u! O! y6 e; G7 G4 f! z
$ H5 N4 E- E1 k" G4 W9 c4 H0 u# 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?
0 L& t7 K0 @6 J1 g* o* D v: p K# G# ~4 u3 w! ?
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+ Y) K6 M. s/ |, I+ p
, U+ A }: h/ D' t K 例：; y* {8 x6 p5 I p6 D9 z
4 M* j. ?" p5 @9 N
E4 BD A0 11100100 10111101 101000002 U* K+ k8 T& j4 L) M. k7 C
( _, X8 j! D: V* M
这是“你”字的UTF-8编码
5 |% }' n. }' L' o3 A
/ z, `5 W5 i2 l 4F 60 01001111 01100000
; Y V! z: D- p- D+ W! k
- R) H4 U7 H- b* d/ ~7 T/ u 这是“你”的Unicode编码
1 ~' K" W P% D# O) P/ U5 N- W! C" G* m( e# c, v
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。5 X4 j9 u% H0 D1 W
$ m, u) U4 V* Y4 J0 ]/ c0 @
以下是Unicode和UTF-8之间的转换关系表：
9 l, J P, ^% p( ^$ m/ ^8 i! F# F2 w! Q2 W$ C; r G3 e
U-00000000 - U-0000007F: 0xxxxxxx5 P; H1 e7 B+ f: E' G
9 H# f( N, n* R# h+ r) J% Z
U-00000080 - U-000007FF: 110xxxxx 10xxxxxx) T8 w/ B; g' K c! Y- r
% Q. ]) m% R% R/ y
U-00000800 - U-0000FFFF: 1110xxxx 10xxxxxx 10xxxxxx1 K% {4 A" B" l% L, Q+ E0 g
% P) d4 E6 m+ m3 w: X5 g! ^ U-00010000 - U-001FFFFF: 11110xxx 10xxxxxx 10xxxxxx 10xxxxxx
$ {+ Z# T3 ~/ Y q+ H. A, ^6 [0 N# a' f
U-00200000 - U-03FFFFFF: 111110xx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx
6 Z+ y2 D+ g5 s0 F: U
7 `6 a6 c% A* \ U-04000000 - U-7FFFFFFF: 1111110x 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx9 x$ e9 G6 C0 c @ Y; Q
, H6 i" [1 \; c 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。 |
|
发表于 2008-1-19 23:35
| 