|
 
- UID
- 1
- 帖子
- 738
- 精华
- 28
- 积分
- 14171
- 金币
- 2376
- 威望
- 1647
- 贡献
- 1324
|
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：8 P. ?7 c9 |1 j8 s% {) ~5 ~4 l2 W
8 R n! r% k# x% P1 ?/ X! K& }
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。* S5 {( t# F5 W$ U O" q. X! y- l
. p4 K( K9 M6 a7 m$ e7 f2 k4 J& o
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。
& I6 J0 s x6 I; g' @, u I5 s4 I% c
2、台湾，香港等地使用的是BIG5编码; v* Q/ e, L1 ^. l+ _$ S
0 Y, j6 T0 w9 ~% M# U0 L( @, J- `
3、日本：SJIS编码* E2 k. m6 A3 W4 w+ A6 U, ^$ g
& ?' u3 P9 M5 @0 V& ?
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。2 \2 G0 z6 L7 E6 t, _5 B) t
+ y2 H F/ S. G! v
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 ~8 `3 s; c7 @% n% Z f
& C. O5 K* \, _& L1 u0 E' G Unicode的学名是"Universal Multiple-Octet Coded Character Set"，简称为UCS。4 V& a, b0 l) V% S ^' r
' V3 L. k' L8 p9 x% H( m
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
8 n7 i% Y5 j( g& E# Z+ _; O
! z$ ?# Y" S# o' C% K 20000-20FFF - 21000-21FFF - 22000-22FFF - 23000-23FFF - 24000-24FFF - 25000-25FFF - 26000-26FFF - 27000-27FFF - 28000-28FFF - 29000-29FFF - 2A000-2AFFF - 2F000-2FFFF
, }% o( y/ X5 `( Z! M) t1 N
. B% w; M% S3 M2 {" t 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。
: T0 d8 g+ p6 w2 x( y/ o0 G, D5 e) S3 ~$ r( _
什么是codepage?codepage就是各国的文字编码和Unicode之间的映射表。
) x. ~1 z+ H7 f% }
% ?, I7 N7 P% X! b& O% 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。
- d4 [( P5 G$ D0 o- R: k ?- N2 V
, Y' S/ _" J( N2 Z" V$ a codepage=936 简体中文GBK
! W9 K. F$ ] M1 W$ X8 u
. J! ?- V! a" G2 ~4 B codepage=950 繁体中文BIG5
6 l9 h( k, b0 w' S X9 j, s- j# }0 _8 ^( A9 \' l+ r
codepage=437 美国/加拿大英语. n8 T# s3 O, v/ t( C' y$ `
; Q) b1 o2 H E4 { codepage=932 日文6 s$ b/ z0 p! z
3 p0 s! Z7 t% ~ codepage=949 韩文
) G; E5 Q" v" M9 ~, y6 B9 Y1 {2 ]5 B0 `" i+ a! Y; ?
codepage=866 俄文* T, o7 c; Q) G* ]+ B8 ~+ T
( R$ p' J9 @% c. ]7 q0 V. O( ~1 Z codepage=65001 unicode UFT-8# R, q! b- v3 G' z: A: H1 T& f
2 q ~& W* n- h$ [* o( U! 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。# d4 Y4 }4 ]& ^
1 |, w+ b' ^. Q1 Y: [2 i } 从936中随意取一行，例如：
! O% V8 v: {& O G/ |/ L, V+ {# I" z7 q( M: |. ^* F+ F r
0x9993 0x6ABD #CJK UNIFIED IDEOGRAPH+ f% ~) ?0 E- [" ~) z. _& X/ V$ `6 \" {1 {
, L" O. u/ O+ [1 R7 t N' ]" o1 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。
0 C% Q6 {) _. F: L+ u0 m) B' _
( A. @/ N* F9 w( R5 P9 x 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?
& \1 R. ^; o3 r: K* ^) b: c8 F7 d$ }5 f7 N
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?2 W8 T6 n! W4 O' \& q
$ E/ a. F5 j1 ^& x
例：
2 w, v8 ^1 @9 \; }' [( P4 `2 {9 ^
+ F- a. s, |8 y( H1 ? x2 C E4 BD A0 11100100 10111101 101000004 D: H8 ^3 n6 L7 |
& i: O2 r- j# [
这是“你”字的UTF-8编码
0 x9 Z" }# u9 [" A5 Z* h( `8 E9 A. D% Z' L5 j( R! r
4F 60 01001111 01100000
- Z6 F- `* K3 u* g( S) [/ O3 C9 Y: ]
7 l- r% b! T# U+ {1 L, P8 s: }" M 这是“你”的Unicode编码
& X) c7 ?% l+ m( I
; K# ~0 ^1 N9 Z u) y2 N) 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。
: y5 A8 l G$ _' f2 \5 H6 |2 i- z
以下是Unicode和UTF-8之间的转换关系表：# _) m( g) Z4 h C/ c% \, Q( h, q
7 Z: F5 |/ a g/ ~' H( K
U-00000000 - U-0000007F: 0xxxxxxx$ R4 _7 Y @7 b, d* f4 v5 Q2 S
6 V+ F/ Y, z0 o U-00000080 - U-000007FF: 110xxxxx 10xxxxxx2 v) \2 [4 S1 A
. s# v& P$ l" d o U-00000800 - U-0000FFFF: 1110xxxx 10xxxxxx 10xxxxxx; u+ S& R: J* Z) J
5 z, X) |2 }2 E. L( ^* ^ U-00010000 - U-001FFFFF: 11110xxx 10xxxxxx 10xxxxxx 10xxxxxx3 D x3 Y6 f) U
" @; E" ]0 b+ s
U-00200000 - U-03FFFFFF: 111110xx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx
& }: o$ A g; M9 H& i3 z/ E' i1 H* N7 n' S" G
U-04000000 - U-7FFFFFFF: 1111110x 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx0 a$ z& L' j: B. ?2 c+ S$ {
- N5 F6 y4 C; f0 I 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
| 