|
 
- UID
- 1
- 帖子
- 738
- 精华
- 28
- 积分
- 14443
- 金币
- 2507
- 威望
- 1647
- 贡献
- 1455
|
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：
3 x1 u+ s# f! d& X! ]
* Y* K: a% o3 _6 y3 T2 Z 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。
5 q3 O1 L+ P J/ c0 J, r) Q4 g5 f1 w5 z6 @+ ` {8 A
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+ z) I9 `& l, e( C% U# `9 C1 a3 J9 ]# H
2、台湾，香港等地使用的是BIG5编码- q+ t z3 @+ d
# m9 i, X: i- o. Z3 b& [7 i 3、日本：SJIS编码$ ^; M' |5 ^5 ^9 G* I. |2 n$ k
t" |: g |1 f( q6 B3 p
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。8 J, C, f2 S4 f# @
: e9 ^0 Y* i! Y( A( Z
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。
: k, u: Y5 s. k7 ?0 M K
" L( `+ \2 h3 A$ p" L8 _ Unicode的学名是"Universal Multiple-Octet Coded Character Set"，简称为UCS。
- G6 M$ O; D0 p+ U: ? p* f! Y$ r& D& Q, i+ r- `
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
+ V+ d) D7 q( w. E+ n5 c& }- L3 D5 T& u$ x9 Z
20000-20FFF - 21000-21FFF - 22000-22FFF - 23000-23FFF - 24000-24FFF - 25000-25FFF - 26000-26FFF - 27000-27FFF - 28000-28FFF - 29000-29FFF - 2A000-2AFFF - 2F000-2FFFF0 p2 U. |" W; ^0 I1 o+ Y( U3 r: q
0 m# o3 I. n H2 a/ \
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。. F9 {2 l# j3 j: B. u5 O/ L) d
' A0 ^1 V( x. A% a
什么是codepage?codepage就是各国的文字编码和Unicode之间的映射表。
5 @$ \$ f6 l" J+ Q! L: x6 G
: s/ ]5 Z9 D$ r, K6 o# R 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。" C2 ^) K0 a1 D! f
3 g( e3 w; _8 y: G
codepage=936 简体中文GBK. f/ |- _" x% @/ u
& g( ^3 H4 E7 | codepage=950 繁体中文BIG5
: b* s. F! `1 ?7 O/ |
" Z! h# _' ^3 `& s# f" j) p; @% n codepage=437 美国/加拿大英语
8 S6 P3 ~- L% W+ K. T8 D- k$ p& y2 q' H) ?4 ~# P
codepage=932 日文9 {( I" w1 ]: Q$ R2 |
* J x, U* B6 ^; |3 T" ?! [/ c$ m codepage=949 韩文; f& e; ?' F9 P u
" n& t3 H5 C4 _! Y
codepage=866 俄文8 T# L/ D; F3 L" {- |6 `2 J1 k1 ]
& s( d- W) c4 ? codepage=65001 unicode UFT-8$ |# b' P# O y& I; u
7 E, [# Q( S/ L2 b! b' S! R 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。
- \, o! M& U- o/ C J+ D" ~( g7 U8 O& U% G, j7 s+ v
从936中随意取一行，例如：# z( X/ ?" f8 [+ J/ z2 k. E% R2 ]( X
. j+ p* H& P" [5 p 0x9993 0x6ABD #CJK UNIFIED IDEOGRAPH
$ r6 n& Q! p" ?5 R8 \4 _( J. v$ X9 l
# B p9 i; u) x4 Y3 k2 [0 x5 v( 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。
, w0 u, C, E$ l* }& v8 N
! F$ Z! n9 A- _- a% P7 | 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?
+ z" J' t- e- g! t3 N: R! N7 V# G$ }" l0 q7 g1 t
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?
( p1 P, @2 A3 \5 k( M9 k; V0 Y( w) s i" m2 {1 M$ {6 T- `) b* m
例：& n! ^. S, S/ x0 P1 |$ o2 L U
) Q, \6 Z) ~, M% u% L8 i, V
E4 BD A0 11100100 10111101 10100000. I ?" P# o+ O T+ j2 r
$ Y+ L# ^' o% `% F9 P/ f1 } 这是“你”字的UTF-8编码3 ]2 n6 J" o3 Y
% d3 s, `7 ?. A# F* L) T, c 4F 60 01001111 011000002 E2 j! b7 z/ P3 i8 M' O
* F% F; d _" x" C 这是“你”的Unicode编码
2 D6 v1 S" s- ]$ e, u
3 Q5 _2 z8 U4 [1 L5 T1 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。
- }& V! K! ]( m5 D
3 }. y6 d4 Y H( k% U 以下是Unicode和UTF-8之间的转换关系表：
6 @4 N/ }' G- F4 p* P6 H. a
0 l4 |( n# y: F+ \ U-00000000 - U-0000007F: 0xxxxxxx# z0 P; b Y. ]& P
| }) O' n! O- O8 o U-00000080 - U-000007FF: 110xxxxx 10xxxxxx
( z4 I n; U" s0 b8 K# F8 H" o. h" A5 n8 V3 Y
U-00000800 - U-0000FFFF: 1110xxxx 10xxxxxx 10xxxxxx4 r' \/ P: N: X4 E: x
4 j) A# I# K! `8 P8 K. D6 _ U-00010000 - U-001FFFFF: 11110xxx 10xxxxxx 10xxxxxx 10xxxxxx
: v' Q. R" l6 d& o3 ^0 ^6 }# f ?
' s% G: p' ^" a* j' @ U-00200000 - U-03FFFFFF: 111110xx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx
: b- @1 p m, X4 G0 K- @) {' y+ ~
3 o0 G% u6 p& J3 W) X* s7 c U-04000000 - U-7FFFFFFF: 1111110x 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx/ H. q) t' c5 j2 b3 H5 H
8 \1 ]1 J4 Z5 v3 e* ^) [2 R 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
| 