|
 
- 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：: u& y0 z j0 i( u! d
* E4 t6 O/ ?% @5 A* X8 T. o. 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。* T6 r8 R0 [/ E) \, m7 K- j! t
& X9 i1 Q% D3 q5 d/ Q1 Q
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) E+ Q8 G6 L* p& G+ S
, E/ O A- o2 k0 g3 x4 Z 2、台湾，香港等地使用的是BIG5编码/ R9 r0 M9 M! b* v. h
$ h( f6 Z/ j5 t U4 T 3、日本：SJIS编码$ U6 y n9 ]* d/ e6 a
8 `5 ^/ d7 F$ G" j& {3 O4 X* I
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。
; ~) y' M6 {% f+ _3 H
7 j$ T& Y/ Q! Y0 @( ~* B 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+ u% r0 F# }# K7 n
& g1 q: b( @# f6 @7 T( x# o Unicode的学名是"Universal Multiple-Octet Coded Character Set"，简称为UCS。3 y9 V% V4 \1 J& r7 `& d9 n
) J) e2 E& [3 S" C' o+ Q( s
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3 W3 j% n A0 a2 c$ ~) P8 `2 W
( u8 k1 p- u* |5 P5 z
20000-20FFF - 21000-21FFF - 22000-22FFF - 23000-23FFF - 24000-24FFF - 25000-25FFF - 26000-26FFF - 27000-27FFF - 28000-28FFF - 29000-29FFF - 2A000-2AFFF - 2F000-2FFFF# P: p, m8 K- X" H) S \* ]
- S7 Y [( `5 V% 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。
0 o* e0 E, U9 d7 f( E" N# k8 l9 N8 C: }
什么是codepage?codepage就是各国的文字编码和Unicode之间的映射表。
2 O$ }" r( V) Q% J# S
3 ^; |" r% M/ C3 @- W; _" e 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。5 L1 F% A1 J. T- T) H
2 X4 |+ T* q4 u% K7 L2 Q2 z( ^
codepage=936 简体中文GBK
3 I5 q6 d; u) X( z- i& C" Y7 c- ]3 y
9 f9 R" x: W5 U; M3 N r) j; {" z6 d codepage=950 繁体中文BIG5
4 v$ m+ `, V) f6 s' R8 o
; B( q1 m! _# j! m- h' l* p codepage=437 美国/加拿大英语
$ W3 c2 L9 q0 o9 v
7 z" X/ |& ?2 m' D- A e1 V codepage=932 日文8 f+ z, T6 I& l" x$ j% ?
+ i) H6 x' v# |4 h codepage=949 韩文
: B% D3 G; m: o9 v. s* w% `% J2 c. k6 h$ g" t+ D1 I
codepage=866 俄文+ D1 p& G* e+ }! E
( s/ t3 s6 i9 J codepage=65001 unicode UFT-8
+ L- k1 k9 ^7 [, S9 e& I; l2 ~: L7 l2 m7 M7 x/ `* w9 Q
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。
8 q$ O1 Y2 s4 {7 k B3 d' E; k, o/ k* X( e. q9 p7 B
从936中随意取一行，例如：( @! i" b0 k" n! G0 ?
- i8 A+ Y `. A1 _, `* f+ K 0x9993 0x6ABD #CJK UNIFIED IDEOGRAPH
0 Q. I7 ~) C4 P3 M: \9 n8 S
; V9 K# N& {! L8 ~$ L 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 q! c$ ]: C- A0 B8 E- t# f4 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 ^5 ?6 d1 I- A2 x$ `. Z# z* N
# w. A( v; D* s) _/ i$ u: H. ?
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?% I6 l0 v% ]6 }- [
1 V2 a' L" n# [+ A- Z& \ 例：; J6 J: J# D- m; j/ a
& H: Z0 P# |9 _+ G
E4 BD A0 11100100 10111101 10100000' Y! N- D+ W9 x, n! r
1 z; X- B$ r8 f" L& R- h 这是“你”字的UTF-8编码
: M, z: X) p2 ]0 s" G. X( X5 l8 q8 y. {- Q1 ^7 ?+ d5 R$ W
4F 60 01001111 01100000
- }! f. ?9 r! T, M9 \3 j- ^
% C. h# o- M1 z7 v, v6 A" { 这是“你”的Unicode编码5 t2 u: _& O# b7 \; Y ]7 ^1 Q
2 X H" A' I7 Y7 P+ H8 B9 z$ _6 D 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。2 |) `, R! u0 o: G/ \5 n+ m; L0 E) U
3 b) @: w/ t/ P9 r, r6 n 以下是Unicode和UTF-8之间的转换关系表：0 ~6 {+ T2 p/ c7 L' c% U) x
0 a! q/ D {% S$ T# ~/ A+ G: f/ j
U-00000000 - U-0000007F: 0xxxxxxx/ @5 z/ N$ q; Y+ |
- Y! u0 N1 V) I
U-00000080 - U-000007FF: 110xxxxx 10xxxxxx
6 Y! ?, k; m! l; F1 O8 p- @) u6 I! C
* a; | v `8 h' M3 x) O9 b U-00000800 - U-0000FFFF: 1110xxxx 10xxxxxx 10xxxxxx% P0 ?6 q% L) o4 h0 t( W& _9 b
" ?, q/ c9 V. o1 W* M D# x4 R2 M U-00010000 - U-001FFFFF: 11110xxx 10xxxxxx 10xxxxxx 10xxxxxx8 I7 `, U4 B2 N. ~
# b+ \7 H0 l" Q5 M5 W# G U-00200000 - U-03FFFFFF: 111110xx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx
9 c' n' s- b/ y
. m. z6 h* E' H, O( m/ P U-04000000 - U-7FFFFFFF: 1111110x 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx* \( N, `* p X& H' _. `( W, v
+ R' I6 B8 Z& c5 y8 l9 w" c 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
| 