|
 
- 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：- }+ c% }2 K* ^4 d: H3 J% q
3 l" S) R2 _7 z2 w- q* z: R
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。
* S, r7 W) o# Q1 R8 b
`- R/ r9 _$ c, l, N 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' p8 ]. C9 v8 i" p+ F
+ n3 q7 t& X6 j0 X8 x$ d {4 }
2、台湾，香港等地使用的是BIG5编码9 i# d3 z0 t/ t* y$ `- \
9 H! e$ [! o4 U5 z 3、日本：SJIS编码$ R- w* u$ C% k9 q0 L |4 p
2 W; ~, m2 H Z# x9 ?3 y, 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。1 _% L" n" P9 l+ l* K5 p& j
& C8 r u. A3 _& j2 O
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。
3 A, X; \) Z. t m. j8 b* S3 @7 y& h5 q, i8 {, E3 h
Unicode的学名是"Universal Multiple-Octet Coded Character Set"，简称为UCS。0 C/ l# H- S9 ~( W! h) F6 `' n: D
2 a9 F" x0 ]) O2 i- u) l8 X8 {
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& |+ e% n: W- Q5 b3 `1 p; t9 v
9 B( k7 l% ?5 ~! z1 x z. F3 U4 h 20000-20FFF - 21000-21FFF - 22000-22FFF - 23000-23FFF - 24000-24FFF - 25000-25FFF - 26000-26FFF - 27000-27FFF - 28000-28FFF - 29000-29FFF - 2A000-2AFFF - 2F000-2FFFF* u2 z. s; h, _& \( E
5 k! D- t3 P& N/ Q8 j; i5 w. L
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。
8 g& P; Y7 U/ J9 T, t+ P8 N1 `; B0 ? ` m j0 ^* @
什么是codepage?codepage就是各国的文字编码和Unicode之间的映射表。9 N# J4 F Q! }" n2 F6 g
/ b% l8 [! p/ M2 m# u* 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。/ p3 c9 c; _ [5 _$ h% ^+ ?
6 B9 p0 {5 o- F7 n codepage=936 简体中文GBK
9 W( v3 d7 W7 ^$ ?/ u) X8 [( P
+ t5 t: d- ?- F) g- i/ E6 u codepage=950 繁体中文BIG5
. `, k( ?, v+ c# e+ ~: R: I
# A! a% W/ b7 M& |* D* X' y7 c codepage=437 美国/加拿大英语2 [$ H' R! t+ L% }9 J6 O7 m+ ?. ^
5 W0 N ], q$ c" B codepage=932 日文: n/ F: y4 I7 \1 G6 s
- C1 o% j3 E. E, F9 e( X7 T9 s codepage=949 韩文
2 C' U; l) h; f# z3 [& {/ M2 s+ w
- v. J$ D6 e- e. J codepage=866 俄文
* S: z) Q" C' z" r6 [! G5 b4 U4 ] i2 b- v
codepage=65001 unicode UFT-8
: i" N* r: }# h9 t q
, E" d- I d% I% H4 d- ` 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。
/ z6 [% O* x) ~/ u* W* p$ L7 `+ {5 g
从936中随意取一行，例如：9 l! d1 q; l7 G7 n$ ]' T4 W% l- j
7 N$ f8 D4 R$ v7 l' r6 F Z/ B
0x9993 0x6ABD #CJK UNIFIED IDEOGRAPH l: y2 N) R9 I6 h! K+ `% f
# {! u2 {8 H+ k# n+ 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。
3 B! x7 R9 ^4 D+ O0 V. }$ S7 Y1 P& A* m c4 _8 }) B; ^
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?
+ ?; P6 U1 W6 j& ~2 H8 ]
% l Q3 G. ]; `9 J; d- s$ A3 S; 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?# N- [ h3 Y4 `6 ^- q
. ~% _% ~; x0 \5 p# N* M# @ 例：
5 Q }. x2 f( k) y9 L K
; |# V2 p W) X E4 BD A0 11100100 10111101 10100000
. W2 }7 W) R* Y* d1 n2 C. Y! S5 k4 T& x# _$ l7 e
这是“你”字的UTF-8编码
: B; @) Z! c1 O* S# t/ j/ U) o0 h6 t& m+ r, n4 O% @8 b
4F 60 01001111 01100000 ^+ G6 A2 _6 f7 S3 a* ]
" {+ D, W, {. \ 这是“你”的Unicode编码6 j, r# b) _2 o% M7 Y3 W
' J4 N% ^2 R) A3 c/ i
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。+ R3 N2 V( z2 D: x5 m" ^
7 t9 O5 n0 T. I5 K- E' G V7 \
以下是Unicode和UTF-8之间的转换关系表：
8 Z+ h) h- D2 t. Q5 J8 [% p% u3 H: o) U% t: L8 c: T- f e) J# ^
U-00000000 - U-0000007F: 0xxxxxxx1 `# @& e# B: s
/ C' A5 f- P3 b' J. P0 N+ s U-00000080 - U-000007FF: 110xxxxx 10xxxxxx0 f: z' S8 b& U- D0 |/ Q
/ M8 w' O6 Q! W+ q U-00000800 - U-0000FFFF: 1110xxxx 10xxxxxx 10xxxxxx
2 J8 G; h+ X) g: l; q& T
/ G# A- }; i" P/ t$ m% S. G; i U-00010000 - U-001FFFFF: 11110xxx 10xxxxxx 10xxxxxx 10xxxxxx
6 H) w! a7 d# Z
1 A. E Q: v! X/ T, H. W U-00200000 - U-03FFFFFF: 111110xx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx& l8 S( I7 \. I/ A5 \7 ^
v* Y. X* L0 N; P! _ x
U-04000000 - U-7FFFFFFF: 1111110x 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx( s- u( G3 \) a/ i9 s
; h5 l" v2 ` }% }6 V, b5 y+ x
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
| 