|
 
- 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：
& Z7 {4 X% M- O( t3 w0 X {, i7 k' K/ Q: ]3 o
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。, G! |2 v* m0 l4 G1 n W f9 e$ v
3 D9 r+ Z6 E- V+ t 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。
+ t" B* c+ v* R1 z5 y; f
2 n u; D) D2 P' e; x 2、台湾，香港等地使用的是BIG5编码
, E8 [2 U) k- G l" d1 ?* |- N3 x. _4 Q3 `& i2 g4 N; o
3、日本：SJIS编码
5 z/ k( C' `8 o2 J( e' `+ B" X6 i4 v; }/ {& r
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。
# k8 }4 ]6 U8 ?8 q- r4 ?' {1 |1 x) R7 F$ Z Y0 t
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。
! M- i4 l- u; Q+ ]- c% d; k: R
5 U' B- _# Q" \+ k Unicode的学名是"Universal Multiple-Octet Coded Character Set"，简称为UCS。% b0 Q- w- n" f: s) b8 r* G
* j+ K9 B: F/ | 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 _! x2 R" F9 S2 G, X* Z
+ L1 s) ~* c; c$ k; O 20000-20FFF - 21000-21FFF - 22000-22FFF - 23000-23FFF - 24000-24FFF - 25000-25FFF - 26000-26FFF - 27000-27FFF - 28000-28FFF - 29000-29FFF - 2A000-2AFFF - 2F000-2FFFF+ |. [: [. O$ U( A, J9 _5 I1 h
( L; E6 ]# k( ^: A! 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。1 ~) e6 J' \" ~7 A) h7 m/ y* B
5 [8 _: e, B; k
什么是codepage?codepage就是各国的文字编码和Unicode之间的映射表。
: s4 k' [9 {7 e" `8 l; P
. p$ ?5 C& K% y 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。
. C0 K- W& t( z9 Z0 Q6 |
$ ^5 r% r. A b6 s) m% j" [ ^" \+ G codepage=936 简体中文GBK
/ M) @) x8 Y; l: j' P9 h4 X5 v3 K+ B$ Y) S5 }/ Q
codepage=950 繁体中文BIG5
2 [& K" f' Z/ }+ C+ m: m/ z5 y- `4 l9 R
codepage=437 美国/加拿大英语8 Z: V* o' Y. J' u, X: H
! Z6 Q$ F4 @# ~2 f
codepage=932 日文* h- D# g% Y* B# {- s6 g
4 f' T: s& r% ^' D1 g codepage=949 韩文
2 v I' ?7 ~- T+ B7 j, _* m3 {$ p: Z* f
codepage=866 俄文0 q! `' y5 ~; Y1 x+ p+ u
: q3 \: Z, F% f/ H codepage=65001 unicode UFT-8
) B4 \& H3 y+ W9 p- E% W4 s* i. F6 O* i; 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。
/ q4 Q6 p# ~/ _5 s- g
4 |# ]% {( ], Q 从936中随意取一行，例如：8 G5 E& X5 ^6 w# R
$ N" F0 v" ^; C9 G$ x
0x9993 0x6ABD #CJK UNIFIED IDEOGRAPH
q! g0 Y v; k: J/ N9 p+ P$ u9 d' i4 C; w( q4 A; C ~
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。
# [# Y0 K7 e8 Y$ G B" s: B: x s( u6 ], 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?/ F V7 N0 N* _+ |) E3 G- ^0 u
- r, b. [" G4 F( J 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?
- f$ J# D. a3 e* E1 ~. q$ \$ x0 M7 q& U+ S) O6 h7 S/ r
例：
$ @8 u. {( w k( }: G# f3 p6 E
( U5 s2 {8 T) }4 T* x3 a E4 BD A0 11100100 10111101 10100000! `% y! R2 Q! C9 K
# G. ~8 a# d+ Y6 X% [1 K0 c
这是“你”字的UTF-8编码
. [1 C) H) R/ _4 ~- U! x. }; v. o3 f, J9 m' w/ p, p
4F 60 01001111 01100000, V9 e. C1 U0 @2 @
+ c" d' ]; R" h8 q6 v% G
这是“你”的Unicode编码! l. ]9 R q: P* P
' Z6 Z: n4 Y8 j, ^- D4 l4 Z4 Y: g
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。
4 r9 a6 e) A1 L$ R7 X/ N! J. B: M: Q( J' i. a
以下是Unicode和UTF-8之间的转换关系表：! Y, G: F) F Q4 n
# A }' q" Z& m) m# Z5 e& v
U-00000000 - U-0000007F: 0xxxxxxx
, _/ S8 ~$ e5 @6 y; k& n
, B: S+ \; V$ @( F% i7 | U-00000080 - U-000007FF: 110xxxxx 10xxxxxx
: O8 O+ ~/ U0 Q* E2 [( W' @9 Q) r9 w. \6 B0 T+ {# ?( z2 E3 [2 q
U-00000800 - U-0000FFFF: 1110xxxx 10xxxxxx 10xxxxxx( _' f: j, j7 v) M6 c+ e
! T7 @& n: D4 f8 H& Z9 h$ Q4 {
U-00010000 - U-001FFFFF: 11110xxx 10xxxxxx 10xxxxxx 10xxxxxx
; B. ^. q6 i- b' G+ [- k+ l* o3 J) \
U-00200000 - U-03FFFFFF: 111110xx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx
( P. b, k' i* O( E
, h9 w0 z) [+ w/ ~6 ]! {# H U-04000000 - U-7FFFFFFF: 1111110x 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx
; i. I1 n) @1 t: r( _9 i; F- b7 @/ Q8 I7 A2 P) n
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
| 