|
 
- 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：6 }2 @! M5 `8 U& |7 A7 N
8 ? h* A) e- Y; g5 O6 t
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。4 D p1 B/ x% d
: z' w; W/ C0 z+ b/ l" k 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。
$ i7 r7 r. _8 u1 _, g: x0 h. ^! ^7 Q6 E+ Q- _
2、台湾，香港等地使用的是BIG5编码/ Z. t; P3 Z2 P
$ H7 v a; D' s* s2 ]
3、日本：SJIS编码. n7 O* l0 u8 A5 C* t& j
6 i8 |( I- T; N6 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。: Z2 w2 r' j5 Z* a3 @
" S& h- o& b2 _ i( 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。) l5 j" |9 B3 q' i$ _: H- A7 t
, ~% y; U' }5 p: x. x$ I/ T* l
Unicode的学名是"Universal Multiple-Octet Coded Character Set"，简称为UCS。
- C/ A8 T' o2 f0 ^- I+ k6 d# R+ R6 b1 a5 j6 D+ S# \; w
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! s _0 q* k9 }# I0 s
! Y; h8 O7 T& I3 ]6 h% g 20000-20FFF - 21000-21FFF - 22000-22FFF - 23000-23FFF - 24000-24FFF - 25000-25FFF - 26000-26FFF - 27000-27FFF - 28000-28FFF - 29000-29FFF - 2A000-2AFFF - 2F000-2FFFF$ r5 i& s# a" R1 }- z' k5 P; z
/ Q4 S. B$ y5 K; Z: v2 s# c' h) _
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。7 N& _; H7 k" u9 w7 }/ \2 A/ d" w
- U/ `5 @+ L$ g5 R7 w6 |* q
什么是codepage?codepage就是各国的文字编码和Unicode之间的映射表。. K( s H4 v( A. e# R! J g9 b
3 K7 w# c0 Y" e8 [7 r5 \5 D6 s
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。3 \" u I. y! n. y
8 B- ? N6 X0 ?7 h/ w
codepage=936 简体中文GBK
. g2 r3 D# K- M* Y: `4 X4 [9 ^8 A5 c( a) J
codepage=950 繁体中文BIG53 }* _$ S& d/ o: Y) V5 \& s( D
! I* q6 L7 ~) q' g
codepage=437 美国/加拿大英语1 _8 A/ P. n# G( F
: Q) E# R' r0 J& h8 M. t codepage=932 日文
7 N0 r+ n ~% o" n* f7 }' a( e! s, n: l" p- T
codepage=949 韩文& ]/ m& r0 ^. h5 q
3 H a' @7 a( l9 y codepage=866 俄文+ B: ~3 n$ Y. N
# O. V9 G* V- k+ j7 a5 L codepage=65001 unicode UFT-8
s$ y1 @% C; g9 F. Z8 d" X* P
% x! ?) j0 Y. J/ g& k3 p% Q 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。
: X+ M( z B/ p# _
) P& D! @* y" i 从936中随意取一行，例如： f- e: [2 b1 }* x
# u$ W2 @2 i- ]1 W 0x9993 0x6ABD #CJK UNIFIED IDEOGRAPH
+ R$ M5 |: T% k1 j" ]/ }" p6 V
! H) |6 S" ?. {* f y0 j8 ] y3 E% P 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。- q" |4 X, P: ?# w8 M' p5 T
/ w! l; X% ?) h* Q 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?- |8 m% W# o+ @2 D; m
1 h5 R/ e. x9 ~% S
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? r% H+ a/ k( h4 X4 ~
/ ^0 \4 W1 ]/ n2 y3 ?8 j& F* D
例：! _0 e. L0 e( o/ A% S7 z# t% R
3 w) ]. f" o$ }& X E4 BD A0 11100100 10111101 10100000. ^* G5 H: p" Y9 C3 H+ Q
: V; G% F" m# X& O 这是“你”字的UTF-8编码) G- g, D: m1 y
* U Z; r; p/ x! x! ]* [9 c 4F 60 01001111 011000000 Y+ u/ t" M8 [3 E
" ~; X8 }& G8 m- z! G7 N" M
这是“你”的Unicode编码
" o$ j( L* H0 r5 d, ^9 B( ]2 Q$ B! x& a L9 v
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。9 a0 B! |+ V1 q( v
0 E2 o/ O5 l( R* |
以下是Unicode和UTF-8之间的转换关系表：
) k) s2 }4 Q4 E9 T# D- i5 Z% ~) J- N
U-00000000 - U-0000007F: 0xxxxxxx) v/ e+ ?1 A# j- [2 U ~
, T0 A9 z+ y/ Y* v& L
U-00000080 - U-000007FF: 110xxxxx 10xxxxxx# X% A( n- k) T( f3 T( u7 c; s: x* q
, u2 J: D9 v1 N( d1 V
U-00000800 - U-0000FFFF: 1110xxxx 10xxxxxx 10xxxxxx0 p& _: [5 v1 s" P
, a7 t/ R7 D% m' P; |$ I
U-00010000 - U-001FFFFF: 11110xxx 10xxxxxx 10xxxxxx 10xxxxxx
* q5 P! h/ I j& i+ O! B( k5 G% k& d
U-00200000 - U-03FFFFFF: 111110xx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx" [& h e5 ]* K- c6 b, P
1 i" x; r: M$ f' W& j- } U-04000000 - U-7FFFFFFF: 1111110x 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx ^2 Q' e, K0 H/ u0 G
$ @/ n2 e7 w* r: S( S. P8 k 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
| 