|
 
- 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：- \: T- T- [' J
; G6 E5 }$ A" U* v! j2 o7 B5 g; g
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。# E6 |7 r( x( {' U4 e" v
; ~$ X3 D% 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。
f% E3 D- _6 G6 A4 [" G& w: U
6 g' v, ^, f3 L* E1 Q& N 2、台湾，香港等地使用的是BIG5编码: {0 g1 T# F# q4 c# `$ {
# \9 A, ?' \( x" f/ p7 d
3、日本：SJIS编码. D3 V( F" k, j3 q5 L! j1 C& ~/ W
L/ h5 F+ ~ P" c' `* { 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。
+ N3 l! f2 @3 ?# y# L
$ ^2 t- v; `0 L' a) R" ~/ 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。
. C/ `! C2 g7 U3 P$ X* l' b8 h3 y9 q
Unicode的学名是"Universal Multiple-Octet Coded Character Set"，简称为UCS。
% s0 o0 |3 O8 M7 S+ z w( d8 }# {% Y3 `. W) Y# A% A& Z
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& I) C' `: O& h0 \: Z2 b" d5 x
% g# F, [; s8 R2 e, \8 p; s. n; M
20000-20FFF - 21000-21FFF - 22000-22FFF - 23000-23FFF - 24000-24FFF - 25000-25FFF - 26000-26FFF - 27000-27FFF - 28000-28FFF - 29000-29FFF - 2A000-2AFFF - 2F000-2FFFF0 a( |( a* C8 L; O
. O3 X' A+ t5 ?8 y$ `* r5 E4 j. J
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。
; J* ~! j9 V1 C* w. x
6 A0 L2 O2 R; n' ~$ r8 l2 W9 k 什么是codepage?codepage就是各国的文字编码和Unicode之间的映射表。
* O$ }+ U3 e4 ]' |- B) Q5 a$ A& b/ {/ o
: y5 _5 Y) t9 Z8 M 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。8 P& H$ O! z7 S
9 g2 m2 z2 P! c* S- ?- _7 i+ y* f
codepage=936 简体中文GBK, |4 P- i* e* e# |# j
+ q9 p$ {: \( T) P codepage=950 繁体中文BIG5
: ?6 h# P# ^% {& Y& I$ h5 T
$ d$ j) |$ X3 C( c" `% }- x codepage=437 美国/加拿大英语
0 T* k' W5 O' ?, Y
; f: R8 _3 ~1 X codepage=932 日文# k1 v, N i \7 x3 N% ~$ W
) r! r1 w/ z" t0 O3 |
codepage=949 韩文
7 u( w/ B0 j3 D" H# R- i
, @1 E# @5 ~. M codepage=866 俄文
S. \) U6 C: }% v, k
) D6 F+ j5 L, W& t+ c7 h6 H! |$ ` J codepage=65001 unicode UFT-8
: P$ U0 w% F& @% U
) O9 ^5 g* J& n; U) h0 F 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。" S! c* d5 e/ b7 g, M. z
& D' M( ]+ k( x# f0 C: o
从936中随意取一行，例如：/ M$ n( ^' e* a; z# v0 W J
: w& X0 R" A/ `4 B* y* _ 0x9993 0x6ABD #CJK UNIFIED IDEOGRAPH+ H! `, O. q6 k' \' n4 `
' G3 |- I) A! x9 e" @) T h 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。
- T3 ^ Q1 c6 | ~. E8 t" A
% M, u* B6 Y5 a& U8 X' I( m 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?; o1 @* _! X7 X A0 X y h
. u6 i- V A( T* v
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?* U- Q) t" L! U4 r8 J' X& z# |
; S: ~: |6 z/ S- F* U6 @4 r/ A9 k
例：
; L0 `& J$ Z% x
& }! m" u& Y" b( i E4 BD A0 11100100 10111101 10100000
3 `0 @6 ~+ ]" Y( }7 v# D; j0 z( y- n2 K: }+ C1 q6 \
这是“你”字的UTF-8编码
! ~1 m w7 M% m- G" o
5 W1 {% g# e3 u$ F2 C/ M 4F 60 01001111 01100000& `3 [5 k4 p* j2 v
$ D% x( I6 X* t# ?3 G2 W6 n
这是“你”的Unicode编码
. l: ~' y R, ]0 _/ r; F4 d* P1 Q+ q' U7 i4 B
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。
8 T3 s2 I- y% J( x* D) K" n$ W" S" t+ \5 V% f' R
以下是Unicode和UTF-8之间的转换关系表：5 g7 u7 m: ]. j
0 y2 W9 K4 w! F( O
U-00000000 - U-0000007F: 0xxxxxxx
$ h. e- w5 @, n& K- \2 L
2 s2 C8 T2 m* |, U5 V8 o U-00000080 - U-000007FF: 110xxxxx 10xxxxxx& C$ r3 ^9 s, P* }- ^
( Q' D7 {( q, i# k% e3 M. {% k U-00000800 - U-0000FFFF: 1110xxxx 10xxxxxx 10xxxxxx
' y. L c$ Z5 `8 t, D9 l2 W0 N7 T8 z+ d! S) j& f3 l2 n
U-00010000 - U-001FFFFF: 11110xxx 10xxxxxx 10xxxxxx 10xxxxxx
6 c* ?, v g& R7 O* }) K) k* I2 ]
- k5 n. d' }4 n o5 y4 p U-00200000 - U-03FFFFFF: 111110xx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx5 k' N5 L- w3 F: x* j( h
/ a, r* |/ y, H$ {& I1 {' P* I
U-04000000 - U-7FFFFFFF: 1111110x 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx
! K7 y r& `8 z$ L) |0 i" B( P& {1 j8 b# Y6 L1 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
| 