|
 
- 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：
' B+ K7 A+ S& a* [$ d5 W' M1 E% `2 r) e' X% u t) p
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。
! k3 r* E7 e8 G2 d |( S8 F$ W2 R& r! m3 d$ i' j8 E
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。( p( W7 G. P" l+ ^0 e4 D
! a+ Q' _7 _ F
2、台湾，香港等地使用的是BIG5编码6 ?; J' @3 L" ]5 n0 I2 `+ F
$ s. o( Z$ w1 W3 r( y7 ~& p
3、日本：SJIS编码$ b" K- r8 k- p- i$ C
% ~( S1 O, H9 H$ k5 G# D
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。
( w$ |* k4 ^/ n# g* p
0 h. v! C: E( T$ N 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" A& |* u) D: g5 v9 k! b) n$ a! ~( b" x
Unicode的学名是"Universal Multiple-Octet Coded Character Set"，简称为UCS。" T5 e" R" T/ n( L( a: Y
' k' [4 ~6 D1 v2 x% x; d% E 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) l2 q9 D3 a4 ?) C# l* D* O
! I5 U2 H; l U! T! e
20000-20FFF - 21000-21FFF - 22000-22FFF - 23000-23FFF - 24000-24FFF - 25000-25FFF - 26000-26FFF - 27000-27FFF - 28000-28FFF - 29000-29FFF - 2A000-2AFFF - 2F000-2FFFF0 u P. i$ ^, Y
; X; ^* l$ ~& |+ E 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 Y" j8 u8 R9 ^
% @( x; ^$ h9 C e! Z 什么是codepage?codepage就是各国的文字编码和Unicode之间的映射表。
; b2 O% G5 M2 e. B6 L# ~' I
& l" j, q5 B2 A! V3 Z* w 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。
% b' N) H) J" A) O. ~' ^. D! V3 w4 F0 P
codepage=936 简体中文GBK
# ~! j' }8 U% b3 P8 [. \% P3 d% I* e
codepage=950 繁体中文BIG59 B2 H$ \1 V3 c/ ?
/ C4 O( a3 I# C: ?
codepage=437 美国/加拿大英语4 K8 f- ~* f& e( M, h/ v
4 I* A3 b- v0 t4 V3 q codepage=932 日文
9 `/ _- o8 a1 L3 ]& b& X0 P- s; _) k6 b. |/ a. H: n2 s
codepage=949 韩文: R) W' c+ n. O) h& J0 E+ u
' A& Z, }- E5 q" u codepage=866 俄文
- N% @3 z: ]& h3 F, y' y% l
9 F7 H, E u6 M8 S codepage=65001 unicode UFT-8
/ w$ O; x+ X* t0 j N+ p$ r# d6 J, J1 s3 i* s: U1 h5 D& U
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。
8 J% ~1 t0 C3 ~8 v! f/ _
^9 u; h5 f8 y: s 从936中随意取一行，例如：' b q0 H; c6 }
( I7 u! ]( g) x& T! B4 A W8 o 0x9993 0x6ABD #CJK UNIFIED IDEOGRAPH
* w# o8 ^, d# Q# H* r- ?
1 f4 r7 Z! M4 \4 `) p2 x, G 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。
6 k$ k2 v' G9 R9 X3 `' s5 R4 b- v
' S8 L6 g: G# ~% ?$ 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?5 r6 Y& t. p3 f+ W
+ X* W9 A2 [2 |" h k" m 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?
7 ]$ x/ L3 H8 y7 @' |4 k
2 \- K3 B% d, C r8 r) s- H 例：' p, P! K; r( ~5 K
o p F: ?5 x( `( \
E4 BD A0 11100100 10111101 101000000 \# `+ K- H4 G1 {! l
* Z/ o/ G6 D/ ~" u2 Q# \9 B% P; ?
这是“你”字的UTF-8编码
% i, ]6 V( u! u
# |; a5 M0 N' P. [1 U/ i0 x) e 4F 60 01001111 011000008 `) u: l- V' T7 g6 |, v9 M: r& _
9 N' g V* ~4 v4 j
这是“你”的Unicode编码5 c3 U9 s4 v B0 {- t
+ a8 u# W' ?3 R. o
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。
4 N6 P" S6 N2 i8 x% A3 J0 @* M2 a1 O1 O/ o
以下是Unicode和UTF-8之间的转换关系表：
! F5 C+ I n( B
{/ I' {, Z3 o3 s U-00000000 - U-0000007F: 0xxxxxxx/ a v! K0 [; u6 n0 m) t1 Q
2 R5 |- b5 G/ [' p" U' \+ i# U: d
U-00000080 - U-000007FF: 110xxxxx 10xxxxxx
: D/ _5 V0 D) z" ]8 i. h, a1 p7 b
* |$ n- d+ G" i; J* {% I U-00000800 - U-0000FFFF: 1110xxxx 10xxxxxx 10xxxxxx
7 }) j3 H1 V8 u# H$ `0 @2 J0 j8 Q0 r) I k4 \! q- w
U-00010000 - U-001FFFFF: 11110xxx 10xxxxxx 10xxxxxx 10xxxxxx5 c) X% z1 n' ]8 |
& s2 R8 g+ e2 p: p" U9 p- h Z
U-00200000 - U-03FFFFFF: 111110xx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx
8 a9 B& m, h6 l# o
2 O9 V1 S3 m$ u2 v- G) H, H" ? U-04000000 - U-7FFFFFFF: 1111110x 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx
$ i: `& _. B9 g) q- J3 ^5 _; \* _% N6 k' g% X 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
| 