|
 
- UID
- 1
- 帖子
- 738
- 精华
- 28
- 积分
- 14321
- 金币
- 2446
- 威望
- 1647
- 贡献
- 1394
|
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： S9 Y: I7 Y1 H! e0 b) K7 w( q0 R
" L* ]! R( i5 D" Z
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。( N- N" S+ Y- R4 u
& x E& X' ]1 G6 \5 P0 S. z
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。7 e0 }: j# \# D0 U$ `; ~6 N/ U/ [
* X* @: |; a- F ^! ^* q
2、台湾，香港等地使用的是BIG5编码
; h; r- {7 \4 m9 R% T& n9 [3 ^3 T& I0 Z: _# i3 }: ]! q
3、日本：SJIS编码
6 l- j% S2 H+ V2 ?' C' ]+ ^. n6 J& T' k: ]# L! m3 i+ T7 ?. ~- g
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。0 W; `! M0 ?0 D2 { i
+ G/ W* S! O$ H: z( g- U$ X
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。) w1 c: D' l3 r& @ Q
2 ]4 i U% \( w% [$ ? Unicode的学名是"Universal Multiple-Octet Coded Character Set"，简称为UCS。
) h1 G! `5 f0 s9 m% R& E# s1 v9 g4 J
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" H1 L W) H% q- D& T4 A
" Z& j. K/ H8 s5 q
20000-20FFF - 21000-21FFF - 22000-22FFF - 23000-23FFF - 24000-24FFF - 25000-25FFF - 26000-26FFF - 27000-27FFF - 28000-28FFF - 29000-29FFF - 2A000-2AFFF - 2F000-2FFFF/ y- e! \: x1 X5 n n) F
7 j, E7 D9 M+ ^( l: O3 ~$ N 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。# I& [! s3 K0 r* ~3 U" ^
* T! B% c( t# B 什么是codepage?codepage就是各国的文字编码和Unicode之间的映射表。
: F* l4 u; n0 n2 g
& Z( t9 P) ~& G9 q& {* c0 V 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。5 a) l5 g+ T/ N0 m
6 [" Y' a+ ?6 n( k# N' Q
codepage=936 简体中文GBK
! Y' l7 ^- p8 n; W
( \6 ~# z, X* G) ~) S% I+ Z codepage=950 繁体中文BIG5! L- y0 {9 _; ?# P6 h- V' n- A
5 C8 H1 U. P, l- N+ @6 ` codepage=437 美国/加拿大英语+ l" q1 i* I7 C6 r7 l" `
/ C. E3 o2 T3 w codepage=932 日文9 A8 @ T, S; ]
; s3 [2 O# R* I7 Q6 K# ^ codepage=949 韩文
2 V1 c, P8 b' L, b, W
+ T0 R. C- D+ Y& b* x; g9 e codepage=866 俄文, ^% ~# o0 q0 D2 _
, w* X* j" T m2 d4 D3 p
codepage=65001 unicode UFT-8
2 b- P0 {! ]$ p8 W
! U+ o' S* |3 c) U; R: v2 w 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。
6 G L+ O V8 `
+ W6 L5 Z" X1 R" Y 从936中随意取一行，例如：" G/ }. b. ]$ T; u+ w
* r: i; }% A- w3 S; {! T
0x9993 0x6ABD #CJK UNIFIED IDEOGRAPH( ~ F. b; m% G* m* B5 L# Z
7 r, A3 m1 ?9 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。
+ X; i0 H5 a( I2 F4 u$ [- Y( j( ^9 d
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?
( y8 w% r" P& {7 w- b, }; z- _
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?) S5 n2 N! r7 e7 I6 w
5 ~2 m+ U4 l7 l
例：
1 p4 z: I* h0 T, d, b' }; i$ P U1 o/ B) x. l% n0 E; D: d$ x
E4 BD A0 11100100 10111101 10100000
4 y. v% G6 {7 x' _* @( @; X6 E
% w. O B: T. M% O7 D* Y; c 这是“你”字的UTF-8编码
6 ^ o1 D% A' A9 \) F0 Q9 b9 r3 @' x
4F 60 01001111 01100000& L; k6 ]& W R" z8 f
$ M+ p a" p2 Q% a- [
这是“你”的Unicode编码- l/ t- t) ]. g
; \! N a( L2 M( S# x# |( B( n* | 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。. V) { H" w- a3 T5 l8 ]. C+ V6 T
$ K; J- E. H% T; E+ y& m2 D
以下是Unicode和UTF-8之间的转换关系表：1 e* u! c" S" V* b* c, J) ^( D
3 R' `) ^# a# X2 t; K" A
U-00000000 - U-0000007F: 0xxxxxxx5 e: ?; B5 o$ N# G
$ A: M1 B8 N* i; a U-00000080 - U-000007FF: 110xxxxx 10xxxxxx
: ]8 m0 X9 n; g9 g, a0 ]
2 a. t2 W4 X5 e3 z2 x U-00000800 - U-0000FFFF: 1110xxxx 10xxxxxx 10xxxxxx
. X! D" i& C8 L
$ N/ s" k _8 E: _ U-00010000 - U-001FFFFF: 11110xxx 10xxxxxx 10xxxxxx 10xxxxxx* k0 P) S. D' Q
5 T6 }& Z4 m) `$ v' G: W% X* V0 ]! @
U-00200000 - U-03FFFFFF: 111110xx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx. s8 R5 m4 s$ i$ B) S
W5 a8 o+ G0 r" _) d$ o
U-04000000 - U-7FFFFFFF: 1111110x 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx
2 w k9 G+ ]; I* f5 S6 U/ S) {$ r' W& e4 ^
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
| 