|
 
- UID
- 1
- 帖子
- 738
- 精华
- 28
- 积分
- 14249
- 金币
- 2415
- 威望
- 1647
- 贡献
- 1363
|
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：
7 y1 b( k2 V5 {: i$ D- I$ e9 L, M3 C/ j- ~
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。9 O% v) E3 @& [- z e
( P3 w3 Y8 X" g0 Q1 [
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。
) J" e, P0 h! f/ v P# {/ l% ?8 P' z' D# j
2、台湾，香港等地使用的是BIG5编码# F& R/ b: H1 E# H
/ n9 P# u8 }+ E) U2 F 3、日本：SJIS编码
0 ?+ o+ f. |# w. T- `& B3 s" x
- j6 ~, U" r1 f' V$ 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。
6 m9 k( F/ u4 s! m4 B
: \6 s7 i X. a9 n 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。! u* u( u; Q% I( q& H7 j' T
r7 S& [ A# {7 h: U& Z0 A Unicode的学名是"Universal Multiple-Octet Coded Character Set"，简称为UCS。
5 x7 P6 a3 T# H3 t7 b: W* W5 w2 h, f; p: |$ a
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
! h1 I. B" w- x8 {) L
% G1 y) `* |& r+ s' n 20000-20FFF - 21000-21FFF - 22000-22FFF - 23000-23FFF - 24000-24FFF - 25000-25FFF - 26000-26FFF - 27000-27FFF - 28000-28FFF - 29000-29FFF - 2A000-2AFFF - 2F000-2FFFF
% R' k" `5 }% h0 t8 o. \/ K, S6 `, p4 a/ m- D
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。
% g9 d: @0 i' |2 Y3 J2 }, D. x5 j' k1 h x: l
什么是codepage?codepage就是各国的文字编码和Unicode之间的映射表。
# m2 O4 b& |4 n5 s) y) Z) c9 V: t+ A6 I4 L4 `
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 D( x9 a+ c2 A+ w2 |/ Z
6 Z; Q5 H/ \( Q/ ]' r9 S: a' w$ Y* p: X
codepage=936 简体中文GBK
7 R" {' w" [; u% K
+ R6 y. W9 I* E. M codepage=950 繁体中文BIG5) Q m, y" s( K9 M7 e$ s7 l" {
6 d4 F- D% c2 m) |& ?; Q
codepage=437 美国/加拿大英语
! x: y% q6 M. o. Z
% ]- g% G+ |7 o3 g3 R" a/ Z* V codepage=932 日文
9 }3 I$ A7 m* b# A1 L% F8 [
! z5 O1 L( O+ _ ~ codepage=949 韩文9 A% u5 `" g( _
* h; H( Y5 A0 h1 T8 U: q ^! x
codepage=866 俄文
; ]* ]) _! j) \" }5 k1 e& z/ ^. `- g1 C& o
codepage=65001 unicode UFT-89 w1 W* K& T Z5 y' ^; T5 ^/ m+ ]
) \+ R- h* u; `
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。
3 @' Q( p7 Z) S7 T3 z' n J/ l' ?" @2 i) T4 ~: x' V
从936中随意取一行，例如：0 o5 j# X% ^% h. V, Q# [8 ~
3 {" E# I* f) }) ?: k 0x9993 0x6ABD #CJK UNIFIED IDEOGRAPH
! Z' U1 X+ b) |# p# d8 @% Q( ^
* b) u& Q6 y% O1 C; l2 _' h8 { ^ 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。
|2 N0 J0 D( W q( {5 f2 q1 x" G# y8 w7 d9 p# F. F, }* z
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?
; U/ Z1 o d0 }$ s- N2 w/ X) P; @' S3 s
' Z, G1 B, A+ ?& | 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 K! Y! J4 s7 l2 V% D
& ^! k4 W% C1 g- a 例：5 f6 c+ `+ M$ v& G+ e
) M( H8 V2 p7 J E4 BD A0 11100100 10111101 10100000' p5 _' ?6 w4 H( T; `9 W
( u2 q" a# B& U, |/ m/ P
这是“你”字的UTF-8编码- n0 M1 N7 i+ M1 h' e7 P J
( u( ~- n9 L8 `( Q. u& W& }$ w5 d
4F 60 01001111 011000003 v# Y' ?& I6 e5 \1 Z. v
, S J3 d) l% y 这是“你”的Unicode编码5 a; I' } N' w
5 ]. [, l7 {, ?+ p- a' e: E' R 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。 ]/ \5 b4 x, P# d" _0 R
^0 n' u4 _ k
以下是Unicode和UTF-8之间的转换关系表：, W9 c3 p% B$ N" l( R4 s1 p H
0 }" e2 K! v2 n U-00000000 - U-0000007F: 0xxxxxxx. V9 `" M/ h: r6 Z
% L h# r6 o4 C1 ]2 f/ j
U-00000080 - U-000007FF: 110xxxxx 10xxxxxx9 J* X/ ~# A8 ?8 l& L$ ]" @
, P" e% k, e+ K: N9 X* [" m& x- \
U-00000800 - U-0000FFFF: 1110xxxx 10xxxxxx 10xxxxxx3 G4 h8 y, c6 Y
# Q+ ^# c6 {. E% n0 G" D
U-00010000 - U-001FFFFF: 11110xxx 10xxxxxx 10xxxxxx 10xxxxxx( E, L, O! C) M
$ E2 R( t. F7 ]1 H+ n' e
U-00200000 - U-03FFFFFF: 111110xx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx. A; \: a3 a* r
/ j# r$ Y; ] v6 U
U-04000000 - U-7FFFFFFF: 1111110x 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx8 ]4 w* `+ m8 K! [/ T5 v
. f4 V( A e u( d, e% H$ g; i
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
| 