|
 
- UID
- 1
- 帖子
- 738
- 精华
- 28
- 积分
- 14247
- 金币
- 2414
- 威望
- 1647
- 贡献
- 1362
|
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：
8 u( s. H( _ T/ e: c
2 D) G8 E: I s1 s2 f 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。6 R, ]1 S$ \1 T& B) U. E
5 G8 |) R3 v2 p( N0 L. 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。
( D" R; `% Q* ?* h3 r; g
# w8 N* d9 F; g7 l" o2 E# C/ z. e 2、台湾，香港等地使用的是BIG5编码, p9 d) B7 I6 w: E( m1 x% |& \
3 H9 } w: r) E6 i3 N5 f
3、日本：SJIS编码6 n' ]: @" b6 D& l3 L0 D( m5 P
. F4 W3 _% ] [7 u, y+ A9 U2 w 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 [% O6 G0 \7 b' b3 O4 {/ Q
' J: E% I3 ?1 f) P& p* ^$ E 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。
) X" c. b6 b$ s3 z) T6 r5 H+ V2 I7 U8 p! T
Unicode的学名是"Universal Multiple-Octet Coded Character Set"，简称为UCS。7 A- Y. R# t8 Y
% o! h: U5 w( l2 L: ?0 @ 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
5 ]6 x+ \0 M8 G) Q: q3 G! J" D+ V( n4 L: f7 w" a6 w3 M
20000-20FFF - 21000-21FFF - 22000-22FFF - 23000-23FFF - 24000-24FFF - 25000-25FFF - 26000-26FFF - 27000-27FFF - 28000-28FFF - 29000-29FFF - 2A000-2AFFF - 2F000-2FFFF
1 x: x, J) `' h/ n' }' K! w& ^2 h) R' {
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。* @1 n( h" H1 f% A" ?
% D; R* Q/ d1 w# ^. z. q! N
什么是codepage?codepage就是各国的文字编码和Unicode之间的映射表。+ F; w$ e( B U' @) ~. d: J. Y- Q
: b S$ M/ h+ C
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。& Y7 C% Z' Q2 }6 \! |. S+ m
) G6 B. {1 v* l, j: s0 l* W
codepage=936 简体中文GBK' Q$ x) X' i# _3 O ]; n' \& _
8 u& t9 {, ~: \/ ?+ v2 h codepage=950 繁体中文BIG5
. s+ e' B1 O3 p [3 r. @3 C8 j- u8 t3 B. |1 R: }, ~) W
codepage=437 美国/加拿大英语
( _1 b0 J+ N# H3 ^5 S o
V, g3 m5 F n6 M" i. o codepage=932 日文
+ ~" ~7 e/ Z5 b5 u7 d4 D+ U3 k1 l& b, a. F0 a) l$ w; b
codepage=949 韩文& Q2 g+ J$ X$ H4 _" A2 ~
- k; f+ Q+ i, ]; n- k# G+ Y2 d& s codepage=866 俄文
9 t7 q. g- G+ y! f1 l9 ?
* ~( B- `: e& e codepage=65001 unicode UFT-8
" @* L. P' T! {/ A9 j2 N% W* L4 \: G
1 Z6 f Q/ w, ]3 m5 E 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。' O8 Z- v4 K8 K& F9 } y2 V
$ R7 G- y4 y3 R" f7 i b 从936中随意取一行，例如：! V; C/ W0 f) Y* H( u
5 s0 z7 G8 R$ ]# ^. ^2 j0 R/ P 0x9993 0x6ABD #CJK UNIFIED IDEOGRAPH* J _6 D6 @6 m6 I9 l9 e/ Q1 Z
; k4 c, m7 |/ J: q$ E5 p 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。
1 a/ N& i7 V; A2 R2 h$ P0 D3 }6 D2 ], l; Z0 u( U& n
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?* c6 L9 @7 C' U" r, s) v4 o6 E
% y5 _. b6 j% o; P3 R
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?0 c% n; [, C9 l
g2 B- z1 G X0 ?2 m6 W
例：2 g9 l( L! a: p0 t7 P5 Q
3 @% x9 q* k) V( R; U
E4 BD A0 11100100 10111101 10100000
5 ^3 m( M& T' l# k, \8 G: H/ n' N0 e8 n6 \% g S, F! E) a
这是“你”字的UTF-8编码
; G! E9 v$ Y v" m1 Z* ?1 o% Z- Y0 G4 x# ?
4F 60 01001111 011000007 N+ M1 E! V9 j1 ^% o
- {- o$ B% U% ^+ e d, w& [: f
这是“你”的Unicode编码
# P( q) w4 c9 T" o& q q! V
/ S4 n. F5 W4 _* b4 C3 ? 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。
- t0 J3 M8 \% V$ n) a" o3 J
' ]2 [- ]' e3 o5 m7 D 以下是Unicode和UTF-8之间的转换关系表：' N0 C$ ^; j0 v* N
6 ^7 F, X' [. \; ^+ S& U' ?& E! U
U-00000000 - U-0000007F: 0xxxxxxx
& x+ F0 ]( J$ F
& o4 D) [* L4 f2 a7 o; j' o8 ?2 G U-00000080 - U-000007FF: 110xxxxx 10xxxxxx, S( @+ _. n z% {2 u9 v3 J& b# u
% j0 H: m. @# H4 ?* S8 U) V U-00000800 - U-0000FFFF: 1110xxxx 10xxxxxx 10xxxxxx2 K; w7 H" w! E, s9 v
4 h: i* `# v6 ^& O+ {% e' X8 V U-00010000 - U-001FFFFF: 11110xxx 10xxxxxx 10xxxxxx 10xxxxxx
7 h) Q$ f$ L5 _. V3 @, q
% ?) t. Q# H4 H, C U-00200000 - U-03FFFFFF: 111110xx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx
F8 n$ C8 o9 c# x+ G3 X' k' ^: C1 k3 z$ _1 X
U-04000000 - U-7FFFFFFF: 1111110x 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx1 u5 W0 B# G# m% L+ ~# b
9 q- @# D, p& ?8 x2 \1 R6 _
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
| 