|
 
- UID
- 1
- 帖子
- 738
- 精华
- 28
- 积分
- 14349
- 金币
- 2460
- 威望
- 1647
- 贡献
- 1408
|
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：; F \5 h1 g# v( L, W1 n7 f
, j3 J. f8 q7 n' y6 N3 h
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。
' T3 \/ R& I) G( Y$ h: J3 \* y9 X8 ?1 E# q F
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。
1 l3 ?/ X0 G# w" a! A2 }1 v* L: `9 ?" V; H, T: o9 E2 v- c' b7 q' i8 J
2、台湾，香港等地使用的是BIG5编码! ]+ ?4 E. n+ Q8 f5 a, K- p4 L
, U8 Y3 [/ ], `, w
3、日本：SJIS编码1 q% C% C I7 q& {* B: Z( n/ A
) ~' z& \( `; ~7 R& a! s
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。- q8 m' Y; L7 t7 B! Y( ~6 q
" `" _7 `6 }/ L% u( E
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。/ b3 j1 g" G! {- y
# o( M! Z. x0 Z; W9 S Unicode的学名是"Universal Multiple-Octet Coded Character Set"，简称为UCS。) R* J1 X7 n8 F7 S% R" ^) @& z% i& o
8 U. H: {8 t& C7 f8 o {
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- Y% b5 P `3 [' P& v4 k3 L! M
, a+ s1 _/ N) `& ~' r
20000-20FFF - 21000-21FFF - 22000-22FFF - 23000-23FFF - 24000-24FFF - 25000-25FFF - 26000-26FFF - 27000-27FFF - 28000-28FFF - 29000-29FFF - 2A000-2AFFF - 2F000-2FFFF
- e" A; y7 P" z3 Z. W# K1 d3 |0 b7 S
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。
/ O- i8 t" ?9 A, `8 ]- E' |
' n# A3 m0 L$ {' l" |* f 什么是codepage?codepage就是各国的文字编码和Unicode之间的映射表。! m. J& e: \3 n8 i
" M+ `# L8 \1 ^" A) } S9 s" u
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。
# M* C) ~' X8 K
% v( m, p$ t2 A p! Z' W& [ codepage=936 简体中文GBK7 \! D* J) s# q
& E8 o3 t; a8 F4 M
codepage=950 繁体中文BIG5
9 H3 O0 V0 p8 K+ W5 g, s0 z- h" N& [& @
) {5 k" v% Y/ x codepage=437 美国/加拿大英语
! ^$ i7 T t* `4 C9 x' f5 M
% Y' `6 P8 y \* K codepage=932 日文
; s! r t5 ~- q
* Q) [' U" q) u" d6 y* l5 H3 @* D codepage=949 韩文& a" w1 Z% ^0 H( [
6 |( w# w* R# K7 d" @ codepage=866 俄文
, x, `$ G/ y1 k# }1 M8 t2 n
& {( B8 w( z8 _% R codepage=65001 unicode UFT-8# r* K+ y1 |' H+ y
7 j, A' H; p7 w X- @. J( @ 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。 \9 b2 d5 I) m- G; O4 A5 r
/ \! W0 T+ X# q( [1 ]" O8 V f9 P 从936中随意取一行，例如：( K$ o" k) F4 U$ w- s+ W
0 K# U! B' t+ R/ S/ d 0x9993 0x6ABD #CJK UNIFIED IDEOGRAPH3 j9 t, U: C: X& t$ ?$ E4 Z% ?
- ]# t; B% ?( G; \4 V5 d, X5 n, G9 N
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。! a" ^2 |" e. B! t
7 ]$ [3 F7 c3 `$ f& C 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?- _' `; F% ~, k, S7 P
$ N: R7 | m8 M+ g
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?1 n! v0 K. m/ q6 a( ^
2 I* z* h3 D! z3 J# |8 I 例：8 w' t6 C# M0 O7 t; S
/ R! T3 T; }% N* s1 n E4 BD A0 11100100 10111101 10100000% G! D7 ^( ^$ }. ?
8 K$ ^% [ @! O g2 [/ a: V
这是“你”字的UTF-8编码
9 L1 o. S9 N: q3 l) P: a# m9 R9 S' E% c/ |
4F 60 01001111 01100000
* n/ F( Z8 Q, H# X( O4 ~* ~
# m. x# i0 z6 A% K, m* D 这是“你”的Unicode编码
: |1 N6 k. W) X. C$ A+ y6 d+ |) p7 t: C* F
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。3 R! g! B$ G0 J% ?) r# |
- Z1 N6 ^: S7 P1 \2 p. J" e
以下是Unicode和UTF-8之间的转换关系表：6 k- H3 R; l. }' F2 h7 ^9 B* b
" D7 `/ O P4 Y, w2 { U-00000000 - U-0000007F: 0xxxxxxx5 y E4 |; z' ~/ m3 h8 s
- T/ O, L) H7 z0 Y U-00000080 - U-000007FF: 110xxxxx 10xxxxxx0 U) N: _! {$ q
% G- V- z9 \) {% u" \3 N. _ U-00000800 - U-0000FFFF: 1110xxxx 10xxxxxx 10xxxxxx! ~& `1 h1 X7 _# w2 V, U
! @: M# C# f! l; A/ J) d
U-00010000 - U-001FFFFF: 11110xxx 10xxxxxx 10xxxxxx 10xxxxxx
) } H- z+ S) n6 o! y! d e% J. |2 Z+ b
U-00200000 - U-03FFFFFF: 111110xx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx& S: { f4 P& \, i! \/ C* F, \
, B0 s* }$ D1 Y2 \' @
U-04000000 - U-7FFFFFFF: 1111110x 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx
# W5 w% p7 G) _2 Y9 t4 K2 j6 T: c' I6 F1 ]. Q
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
| 