|
 
- 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：$ v; U9 ?( T1 G; x9 s
L7 k. V; G' k" c ? 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。
* p E- F6 j+ g2 h
' H, u) |+ h1 S" {% U+ r8 R6 v" Q* } 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。
0 ?- P/ l& T- O) \4 ~% @& B: m1 r9 g; N( x6 Q2 L4 z
2、台湾，香港等地使用的是BIG5编码
6 W5 a; l3 {. i+ K/ h4 ?7 B6 r4 b
t3 D, D( }2 c+ W5 e& p, x: Z# b 3、日本：SJIS编码: z- S# B; V. G( g2 }0 L
% [' l2 H; h0 l: t
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。
/ ~5 |4 [, g# `: p* ]$ {7 h: k7 x! u h3 K5 l1 l2 ]% g7 R
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。
! M: x, Z+ d. [2 }/ V% [: x# V2 ^2 X! D4 J# g0 V
Unicode的学名是"Universal Multiple-Octet Coded Character Set"，简称为UCS。: [- ^8 n$ T+ ~1 J$ |0 G& W
7 H/ B) _* w Q7 L 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% ]3 L% p& Y/ A
. g+ V% G& _2 h$ a
20000-20FFF - 21000-21FFF - 22000-22FFF - 23000-23FFF - 24000-24FFF - 25000-25FFF - 26000-26FFF - 27000-27FFF - 28000-28FFF - 29000-29FFF - 2A000-2AFFF - 2F000-2FFFF4 X* a n! V& w0 m, B
5 H; a6 a0 n1 J
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。 n7 G- r- N7 U3 }5 M' [' ^
}, O" w7 o% @2 _
什么是codepage?codepage就是各国的文字编码和Unicode之间的映射表。. V' g% C. Y, @0 W( Z+ H1 i" W
4 y! \* }5 q/ N6 X7 E7 f
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 Q) G6 |. {% |. G8 C; |4 |
0 d- n/ z7 C9 {0 w3 X! W: b# T9 } codepage=936 简体中文GBK
- n) N9 O( d/ |0 [- k r& X( a2 _0 E& l' A5 u( v
codepage=950 繁体中文BIG5; `; [8 Z! f' `6 n) b7 P
7 R& H% c. S# z' ~# P- a codepage=437 美国/加拿大英语 v' W" ?& ~/ U" g& J
) W3 ]9 ?6 A8 \; n
codepage=932 日文
7 _* r# g3 n' s9 q" Q2 c4 _2 V/ F6 i
4 b& }" f K" _' [7 }1 P codepage=949 韩文, R8 Q% ^' j5 r7 \
0 {; N3 H$ ]% k- o: D( B) x
codepage=866 俄文
b) `: f9 P! { i$ ?$ u7 o. v' [& s' }) c! u$ o- }" l( }8 t
codepage=65001 unicode UFT-8
?. p; }: S. ]3 P2 a) G( D
. C$ @# O' T4 N$ L" g2 y6 u 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。. D5 R/ N6 a( U3 Y, g
, U! Q" y% l' m1 N
从936中随意取一行，例如：
& v Y/ N$ m- B) {2 E! ]1 u, X' T3 }. {: j1 ?
0x9993 0x6ABD #CJK UNIFIED IDEOGRAPH m! I8 ?, s9 F O
- ?) c; N' k. K W
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。
3 X7 _2 c: ^5 D* `6 p
/ u+ _$ g1 q* C 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?7 w( {3 B7 z- ~; n
) P! Z* K0 V3 j) Q0 w7 }4 j
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?
' o- _ `7 O+ T4 H! b7 e5 n' Z7 R2 O' p3 S! c9 r) T' F
例：
" z X0 s: v4 s; O7 V# C' j0 X3 f z& D$ `% t) v
E4 BD A0 11100100 10111101 10100000
& V# w1 T& Q6 F# ]( ^
1 _6 f. b; Y9 n" U0 a4 c 这是“你”字的UTF-8编码
5 \5 M" D7 C6 f1 e! K$ v- F7 t8 ?/ f f, M! n4 G' F
4F 60 01001111 01100000 y9 Z+ H. n, G- f; c
; {* c s2 k9 \! a
这是“你”的Unicode编码
# ]. \" N' s+ l
b# o2 R3 z1 w3 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。6 P- ^6 N* t( C; Y
5 p& K: k. f$ S8 ]! ~: q- O$ c
以下是Unicode和UTF-8之间的转换关系表：% {6 W9 `0 t% S# A" k; q
7 Q4 j8 u, q; M, n" B d
U-00000000 - U-0000007F: 0xxxxxxx" q) L/ i M# T; a Q& H0 v9 y
2 }9 o a0 a& m: ~$ }! ?* Y
U-00000080 - U-000007FF: 110xxxxx 10xxxxxx$ y G2 e. j+ C, I2 @, k3 a \4 b
2 G1 ^9 h3 n3 R0 f, ?; T3 F U-00000800 - U-0000FFFF: 1110xxxx 10xxxxxx 10xxxxxx7 ]" G- @( X& P
2 i/ [+ O. k. r& x3 _+ ?0 x- t
U-00010000 - U-001FFFFF: 11110xxx 10xxxxxx 10xxxxxx 10xxxxxx s' C! x0 e! r3 j4 g% Q: c
: |$ |3 X7 v) E8 _; x3 `
U-00200000 - U-03FFFFFF: 111110xx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx
) V2 M9 J [/ s* n ~8 S4 U. G% ]8 \
U-04000000 - U-7FFFFFFF: 1111110x 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx& [% C6 P& [7 T1 R E% {
X$ r5 y& m" o# ^0 y, m 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
| 