|
 
- UID
- 1
- 帖子
- 738
- 精华
- 28
- 积分
- 14221
- 金币
- 2401
- 威望
- 1647
- 贡献
- 1349
|
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：- d. \- y, X3 W1 O8 j. Z
% v% z# z3 q0 W: ?: Y 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。
2 ^- M- b) E9 W% h* g: i3 O, q$ Z6 \9 }7 q: C9 I# |3 M3 G! v8 p1 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。
: a5 k# n- m; y8 q, J7 Y* e
, T9 v1 _' M! t6 v) _1 G) V 2、台湾，香港等地使用的是BIG5编码) ?" u3 p( Y1 ?4 l
0 i9 Y1 w" d! X. V0 Y
3、日本：SJIS编码" q" o7 i* g g5 o, r" Q( m6 R! L
1 z$ x/ @) s) Y( ^. e! T 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。
& ^! }5 T9 B3 V8 A- r b, e+ j/ @3 x8 }/ m
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。, D2 X4 f0 {/ ^+ ^) U6 w. V
$ F: o0 N3 B1 q3 y Unicode的学名是"Universal Multiple-Octet Coded Character Set"，简称为UCS。
9 b* q1 U: n6 v+ d" Z4 y5 Z* n" s2 u8 l) O8 z& T2 }! K
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
/ @/ @, d: ^9 c2 K4 Y0 s; c' } \7 e5 @" R1 f5 d; y. Z* y3 i8 |4 X
20000-20FFF - 21000-21FFF - 22000-22FFF - 23000-23FFF - 24000-24FFF - 25000-25FFF - 26000-26FFF - 27000-27FFF - 28000-28FFF - 29000-29FFF - 2A000-2AFFF - 2F000-2FFFF" l+ v7 c, B7 e; G; w) b
( }9 w0 N! y% v/ N2 b 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。
; u$ @9 K8 f* }: y* C
3 \- t% z" i5 d+ e; K" a* ]: F 什么是codepage?codepage就是各国的文字编码和Unicode之间的映射表。7 z5 k4 S& `6 w! h. B& L
! K1 W q$ y6 z 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。
- V) @& e8 O+ u7 C) {0 C
* g/ X$ L7 u' s: C/ G; ?4 F codepage=936 简体中文GBK
* e9 }& o+ l& D% _
! L5 K6 f$ i7 m r4 C, U codepage=950 繁体中文BIG5# c8 X' R# r7 [$ U- G
( A1 D1 n/ m' q. W# M% _ codepage=437 美国/加拿大英语
6 s# l+ a0 S. _1 D: U- F3 ~2 `5 g2 e+ p
codepage=932 日文
( G# E7 c! G7 d
3 M4 Q& j( |9 U+ F. l codepage=949 韩文
+ l" L3 P! a) \$ |! T6 X+ T" {# C0 ?8 i6 G+ e# F0 \# a/ G. E
codepage=866 俄文$ b! o9 u0 q5 P
0 ]( [# g* n$ w M
codepage=65001 unicode UFT-8
4 F" L, l' X! S$ w2 _( D6 n+ J
2 P$ t$ m( z' i, Q8 ~, M2 V 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 H2 w4 z* W3 Z5 |2 C7 b- P
& e$ k# D; W0 K' M
从936中随意取一行，例如： }, a' d5 h! v d% q
. w* D9 c! ~6 P% a8 ]* j; I% z 0x9993 0x6ABD #CJK UNIFIED IDEOGRAPH
. B7 m) a% D1 \( u0 G& \9 W) x$ {$ b3 R* g' A
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。
4 }! I; s& v$ k$ Z' }+ ]0 C7 @5 m, U& \7 E
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?3 m' \! P& Z1 ? y4 `4 ]& r
$ j: f+ Q$ j* I0 _ 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?
) _) I0 i( G8 s# b% t; Q1 F& ?3 V p* C6 o
例：( k3 N& y& f6 W0 o+ r
# S1 k2 S7 @- K @& Z m E4 BD A0 11100100 10111101 10100000
& m e; \9 B) ^) V& E% U; }+ t; J# U8 e% k3 Y* [, G, Q0 U% K
这是“你”字的UTF-8编码) u( \# l! S8 }# m
4 _0 i/ k6 z" U( }2 v
4F 60 01001111 01100000: \" v% N8 V, g9 Q8 o& E2 t8 m0 l
; o, N9 U# A5 h. W 这是“你”的Unicode编码* G2 c0 k& x- y2 T `
$ |! _5 |* T/ L 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。
( n% ~1 S; i% `" t( ^7 d/ _5 O( J8 i' S5 [/ b+ e' V
以下是Unicode和UTF-8之间的转换关系表：
2 n ?0 w! i! Y0 y' |! f }, z7 O' w* m: R$ _
U-00000000 - U-0000007F: 0xxxxxxx; I% E% F; x2 n5 J
0 j- v' {0 Q" L) S) A
U-00000080 - U-000007FF: 110xxxxx 10xxxxxx" z; `" W: k3 K& ]$ j+ h
2 E# p* S% M \! @4 ?
U-00000800 - U-0000FFFF: 1110xxxx 10xxxxxx 10xxxxxx& s& f" x2 h' e1 v5 ]- m+ ?
, g B+ N' t3 _7 h. g
U-00010000 - U-001FFFFF: 11110xxx 10xxxxxx 10xxxxxx 10xxxxxx
F% B+ V2 l0 S# G1 ^" Y+ j0 s. h& t+ p8 w+ `0 c" V2 ^+ b/ e* k
U-00200000 - U-03FFFFFF: 111110xx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx/ S8 D7 B2 M# [9 w Q
1 p6 a5 @0 N8 F" M) G1 H
U-04000000 - U-7FFFFFFF: 1111110x 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx
9 a1 ~, V: q3 B' }6 L" T- k4 N; l6 [' m
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
| 