|
 
- UID
- 1
- 帖子
- 738
- 精华
- 28
- 积分
- 14389
- 金币
- 2480
- 威望
- 1647
- 贡献
- 1428
|
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 r9 T8 s8 U
. |! x1 u! i$ x' \. v* R2 y 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。2 X3 J7 u1 v V' n5 Z' a
0 S3 [, s; [6 h6 \' X& s& v+ ^ 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。
9 X5 y7 ~. M: o% ]# G$ Z. T$ ?3 g9 K& P# X) W" w! q% Z5 Q% a
2、台湾，香港等地使用的是BIG5编码
$ T+ W/ f% ]! ^1 T' h6 K
& K3 H' t2 ?. a 3、日本：SJIS编码
6 q' [( |3 m+ Y4 P: Q. g/ e+ ~; I' K2 Q m* T: P$ p* [
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。$ c8 j7 t# r: D9 K3 v2 p
- z5 f( h" J: f# B! H- g 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 @* }1 i; }6 }. Y0 F. u$ m0 O& d
" Z/ o, W2 u: _% o
Unicode的学名是"Universal Multiple-Octet Coded Character Set"，简称为UCS。5 |" u% A4 @6 I+ i- \4 h) ?* P
c* K% o E* a* F5 B
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( E8 X4 O0 e- J( V0 {6 Q
$ B' E" H) e; i4 ]& `2 k 20000-20FFF - 21000-21FFF - 22000-22FFF - 23000-23FFF - 24000-24FFF - 25000-25FFF - 26000-26FFF - 27000-27FFF - 28000-28FFF - 29000-29FFF - 2A000-2AFFF - 2F000-2FFFF2 e4 ]* ~6 h( m( E/ R: O* M
; _; R0 i; a' |- B1 M+ Q 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。
" ` \/ g% n: e* P q2 h$ u2 Q6 j4 n& H: O8 \
什么是codepage?codepage就是各国的文字编码和Unicode之间的映射表。2 w. a# l* ~& v. M0 ?( w7 }! `% A; p
: u u; F4 {7 {2 @% g& 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。
D b- I; M; N" D4 Q* P
: m) S6 g* I$ F3 N! t codepage=936 简体中文GBK* [; v1 F- X, b" y3 d2 i
- p- O/ |4 a' I5 b1 a- K
codepage=950 繁体中文BIG5
& w* M; W! S$ J
# {4 T9 c$ Z& l8 v! }8 o, m- z4 e; c3 |, g codepage=437 美国/加拿大英语0 P% C9 d/ J4 d# |) @
; H1 Q( k9 c: V6 Q8 K
codepage=932 日文: i& o( a' A3 ?, e! x3 e `
. e+ p8 D8 {+ c& D( ] R
codepage=949 韩文* {. T3 [3 |* P, P. s# g) [
3 Y- [. X- a) H" I codepage=866 俄文. u0 J' y6 P$ M, b1 B
3 B# Q! G8 m/ A$ d codepage=65001 unicode UFT-8& `9 W2 r5 z, c% J' C/ ^% y4 V
2 j0 Q0 P; G# c: 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。( y# O5 F V& n) _/ V& c
4 K, R6 o! @8 r( f6 O3 u0 e
从936中随意取一行，例如：# @. A& ~$ @4 {9 w. ^0 ~
$ i; c. V! |' j% {
0x9993 0x6ABD #CJK UNIFIED IDEOGRAPH; D2 G. S9 z, ]* I% ?1 b
' Z4 p! z1 W: ?* }! U% ]- K
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; ]9 T" ]7 |6 d% ~ h
% d1 H3 {8 `! W1 U8 w 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?
* v8 v' ~7 ^7 z
6 ]' W0 x0 `; D. E5 R! S8 g4 I7 Y0 g 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?
/ H$ k1 M. S I2 g: v5 a4 _* W. \+ v
例：
/ ~. {' t, C+ c0 E! D4 \7 h5 H* q; s# E$ I* {
E4 BD A0 11100100 10111101 10100000
5 {" w0 f* a' F. ~- \" Z' t: Z1 p" v) B; ]) ~/ u: q6 @
这是“你”字的UTF-8编码4 ?$ F! ~% ]3 G0 W* I- e% K$ |
, D2 Y5 j, O( b& }7 I# d. { 4F 60 01001111 01100000
; q- f" r& q" t7 D0 H7 {' O+ n! U7 ^! |
这是“你”的Unicode编码
+ L4 i; b4 W$ Y! {
* M8 M' h; P( D8 a$ m( D; u& K2 ~( m 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。 c2 ~. }! w# N# Y+ d- r* S; S
+ M/ c: [8 s7 u$ z5 { 以下是Unicode和UTF-8之间的转换关系表：1 A- u7 r2 l. S" o' ^6 t
* \: g/ {# i% @: N0 q; y4 E
U-00000000 - U-0000007F: 0xxxxxxx
0 E2 V( ^: s2 d |9 ~& A
* ]4 Y5 {; ]! H5 m+ | U-00000080 - U-000007FF: 110xxxxx 10xxxxxx; p$ O. y; l/ _1 [" w
8 C ]9 {4 |4 l2 D
U-00000800 - U-0000FFFF: 1110xxxx 10xxxxxx 10xxxxxx
. K7 O( m) h1 Y) t1 Q4 S: T
0 e3 z7 u0 C7 M% p# k+ v0 D9 t. H! u U-00010000 - U-001FFFFF: 11110xxx 10xxxxxx 10xxxxxx 10xxxxxx w; B$ x5 [6 ^
7 B# Q2 _0 `- ]# Q U-00200000 - U-03FFFFFF: 111110xx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx
% W4 A1 P: |- m; f$ q2 i6 Z) m8 U+ }
U-04000000 - U-7FFFFFFF: 1111110x 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx
$ R! H6 K4 J' G2 [; G$ F+ p7 c: \ E. p3 e9 x
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
| 