|
 
- UID
- 1
- 帖子
- 738
- 精华
- 28
- 积分
- 14433
- 金币
- 2502
- 威望
- 1647
- 贡献
- 1450
|
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：
6 V" O2 W: L/ R0 |( g, O: T9 _, ?4 K
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。
Q% g |3 ]) d/ e' ?- V, ]! U4 s4 a) P# L3 j( p7 g6 m
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。 o# q: ~8 h( F4 [
% i9 I; U3 N9 K+ d 2、台湾，香港等地使用的是BIG5编码 p# y1 H3 w/ w
. u0 ?: t* N% @9 L9 w2 ^, i 3、日本：SJIS编码
, H) D% ?& S6 T6 \: a
3 I' i* e2 W, w' N- u 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。7 ]/ F! |2 O4 X6 f+ u
7 v5 v% P: \" s! i 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: ~! X8 q4 Q& ~+ k& C/ u
. S8 J9 o5 @# T4 B
Unicode的学名是"Universal Multiple-Octet Coded Character Set"，简称为UCS。
8 b: \' g# L! A$ }, G+ r! A
+ Y; ?3 h( W6 F3 a* 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
$ A4 t5 Y; T3 K: m0 i" P+ H( k( @1 w9 c2 P8 D' O
20000-20FFF - 21000-21FFF - 22000-22FFF - 23000-23FFF - 24000-24FFF - 25000-25FFF - 26000-26FFF - 27000-27FFF - 28000-28FFF - 29000-29FFF - 2A000-2AFFF - 2F000-2FFFF1 E) Z$ e2 s! Q7 P4 m. k, X
$ @. _( W8 W; W
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。
5 k: l6 s+ |* G0 N3 U3 V1 j4 R" ^) A. O' s
什么是codepage?codepage就是各国的文字编码和Unicode之间的映射表。5 U4 e2 S8 q0 E2 i! Z
. j5 O6 G4 H9 k1 u& f* D
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。
6 }3 k% B( Y" T7 i; ~
# K: D1 u4 d! } codepage=936 简体中文GBK
& G" Z) |+ `) N) N+ x
2 ~( J# C4 z- E0 J3 U6 s# X codepage=950 繁体中文BIG56 T8 u8 G$ O+ Q) C4 e1 ~" B6 s; X* x
7 K6 d8 ]* j& D) Q2 L$ V* T
codepage=437 美国/加拿大英语 L. ?' u% m" w7 r ]3 p$ a8 Y
1 l4 C+ m( a5 k* r, M/ a3 _
codepage=932 日文
7 z) s! G- h4 B7 q+ u6 U. t8 y$ h' H* S# A" x) H; P+ K5 k1 q! I
codepage=949 韩文
) f5 p( S& f) r, I( x2 e$ p; R2 G; L F. b! h% Q
codepage=866 俄文
7 O J2 e7 V f- a9 t2 [/ ~) L& g3 O9 ]( ]7 `
codepage=65001 unicode UFT-8
: B1 l" t* Z+ J. d" A2 s
) Y- @1 V$ y, Z2 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。& b3 z" H8 |$ p4 \8 `; N
3 Z; Q1 V* _* ~: r( x
从936中随意取一行，例如：
' W# j8 T3 C- m/ A
y+ l- l! F. A. |5 m( \3 _ 0x9993 0x6ABD #CJK UNIFIED IDEOGRAPH8 P( Q- y1 ]1 j7 ^- a9 A
8 o q! g8 K) p n* P" V# U! }
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 }; V5 a' o$ N! Q$ X
: r$ r7 o) E: u+ N 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?) L3 q9 l6 |+ }! ]: a+ m$ V4 R
g6 P- B7 b L
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?
! t1 W) t% K! O8 [1 ~9 B
3 @! |8 r1 i9 n3 U' X 例：& f/ Y7 a) F0 ~
L9 U0 V, L9 q. ^$ @; u
E4 BD A0 11100100 10111101 10100000
' [2 E: ^, U: c3 U% w, r/ g
4 x. a2 c( G2 r 这是“你”字的UTF-8编码
# V/ o. P" f7 X4 m+ c: d. L: w7 w. x. Y
4F 60 01001111 01100000
) o+ {; P# H; n
2 n: D4 k9 k( u 这是“你”的Unicode编码
/ q+ N* p# F" N
* v: G$ ]* {. J6 q4 B) h, J 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。
; g3 K' h" G6 i# c
! Z p- r3 L2 d4 I 以下是Unicode和UTF-8之间的转换关系表：
( x1 m' t7 c6 `& i9 \! Q- k7 K9 a; E) l
U-00000000 - U-0000007F: 0xxxxxxx& F- s4 m! v: l
6 ^' t1 h A0 O j( E4 x U-00000080 - U-000007FF: 110xxxxx 10xxxxxx
2 F8 W: n/ Q' i2 P4 S" n
$ V6 [% ?, E+ E U-00000800 - U-0000FFFF: 1110xxxx 10xxxxxx 10xxxxxx8 p; |- o. i) V# Y& N
% Z E$ Y! f9 [8 e X& I
U-00010000 - U-001FFFFF: 11110xxx 10xxxxxx 10xxxxxx 10xxxxxx
/ j% o# @# `2 Q" L! | \1 T% y, ~$ @! d( T! u2 i2 M1 b1 p% M
U-00200000 - U-03FFFFFF: 111110xx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx
3 [ ^/ \, O' \7 V7 T1 q! x3 J5 e/ z, ~ V5 F/ d+ u! W
U-04000000 - U-7FFFFFFF: 1111110x 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx
" R- \5 ]% S, u/ [$ G; a6 y9 b4 v& N; I+ ~) W a( n# F& E) _
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
| 