|
 
- 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：) G) e R( }! I/ P2 _& P1 L
* e8 A; n/ t+ Q2 I; z& H( r& ?: O 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。
{# w9 G9 o, Q) c+ ?6 H9 q, C8 j% j; C& _9 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。* v+ b# z! E, n1 z* j7 |8 z9 ~
8 c$ _7 @+ d. K( f+ M 2、台湾，香港等地使用的是BIG5编码: J# x# n4 Z+ {9 p% `% m
1 Y+ j3 R. D) g- b* v
3、日本：SJIS编码- \. }( H( u9 Z& u& T d& ?. }% ?
0 U" ~' B( Q! a$ s5 J. ?
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。 x8 f& g; l8 i8 ~' p+ G0 N7 @
( E# t. @. H, L2 a; x3 P
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。! H" u9 c5 z0 N6 F0 V5 w
2 |& p2 n& i' l( R
Unicode的学名是"Universal Multiple-Octet Coded Character Set"，简称为UCS。
! t/ r8 I B; @1 G3 e
. u, h; g( I& }/ n0 [& `8 A# Z 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
% U& z9 |4 \ v% y- ?3 F- K) o3 S' l! Z* i) S4 B
20000-20FFF - 21000-21FFF - 22000-22FFF - 23000-23FFF - 24000-24FFF - 25000-25FFF - 26000-26FFF - 27000-27FFF - 28000-28FFF - 29000-29FFF - 2A000-2AFFF - 2F000-2FFFF
) D: X$ ?* A) x( i1 E& ?: i8 `; b
8 t8 z6 b/ _/ u! [; d; C7 b h 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。
: ]) B2 e) j! |4 V
' M' O I0 w: B0 Y) ~7 h 什么是codepage?codepage就是各国的文字编码和Unicode之间的映射表。8 r( E/ f7 M7 w0 O; ?3 _
; A/ O5 T2 m" O% ~ 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。
7 d! N( L: k" j3 y1 W/ b
& c! V4 |' z4 n0 o# O+ R codepage=936 简体中文GBK: p6 E' b0 G0 m, s
4 x* v5 A3 p" q9 h4 O
codepage=950 繁体中文BIG5
1 F- d5 n. _5 `+ t) {- v+ e0 C1 b
$ c/ k+ A, a9 G+ b9 J( U( Z codepage=437 美国/加拿大英语/ z/ Q% ]. n. m) W5 W3 A' `( A4 _- C
* {7 h7 h( S, o4 H) f/ ?* n
codepage=932 日文# b( d( e: \$ J1 P) ^
$ m8 |; w6 d2 I* T0 O; ?
codepage=949 韩文
9 y6 @! g9 J1 q2 x. o
6 @2 U; \1 W2 w, Q# q5 H codepage=866 俄文4 s, h, }; F6 @4 w/ N6 q/ N
: I& a- n4 V$ v/ e0 ]8 c4 @- y codepage=65001 unicode UFT-83 F$ q3 d, U5 j' k4 s
) o7 I. w7 D; z4 {% Q
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。
0 p0 _0 S+ l* O& ]/ n+ W9 W. M
7 B4 }5 x( D3 r! ~' O 从936中随意取一行，例如：
' e6 R; E% I8 n: \% t6 ]' C0 T& G1 n# E2 Y$ g5 U
0x9993 0x6ABD #CJK UNIFIED IDEOGRAPH
+ i1 s2 S: L8 b8 D6 w
6 m4 M) J: f! |* C Z 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。8 `& k3 p" C& u0 U3 ]0 _( ]& q7 M
! Z! T! t. s' E* u1 N9 o 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 G' h- J; V7 F6 G
: }# k! n: b5 S$ M, o/ Q7 v: i 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?2 z+ S; Y6 x1 P2 b/ u
0 C' R+ X) I, p4 }, G 例：' @2 q% J8 R& T" M
- D, K7 Y! D4 T" S/ T: v3 v E4 BD A0 11100100 10111101 10100000& _$ a, F! ], J$ O# Z
- R2 O* W* S2 S6 D
这是“你”字的UTF-8编码
" ~+ o1 b/ O4 [" K# N) V3 h8 i E1 q2 G1 c1 t( |
4F 60 01001111 01100000
. j4 n$ k& }3 p q. h
: ]* X1 I. H# v l5 C3 ~7 @/ N 这是“你”的Unicode编码, H' b; k1 H- w$ ^ A( U# S
. _( d, H3 Q, 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。6 H9 T1 i) G! E4 s o: P# B! o
/ V! J3 n& G4 s
以下是Unicode和UTF-8之间的转换关系表：/ {8 R! W& f/ j7 H
4 ^4 A, Q/ ~% M# g; X7 g U-00000000 - U-0000007F: 0xxxxxxx0 f: ~" L0 `& S' V( S6 ~
0 g9 x0 E' i: D! Q4 x$ e: d7 u
U-00000080 - U-000007FF: 110xxxxx 10xxxxxx
0 \; `% a, {' L! f- x* Y
* @ W* l# x: t8 i' D- T) J U-00000800 - U-0000FFFF: 1110xxxx 10xxxxxx 10xxxxxx; z# X$ w4 h# z) L, m& }
5 n/ Y t3 X9 t5 B8 V* D
U-00010000 - U-001FFFFF: 11110xxx 10xxxxxx 10xxxxxx 10xxxxxx
5 a3 j! q9 {% M8 h& V, p; C) @" ]$ Y3 U6 p* P
U-00200000 - U-03FFFFFF: 111110xx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx" \, L6 J9 C2 u! K& }
3 _, n: O' i% }' A) v) D U-04000000 - U-7FFFFFFF: 1111110x 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx
3 ]$ t' o1 Q: t7 H) H& A9 R
" X5 |& N& v( y2 D( L' w 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
| 