php各个编码集详解和在什么境况下展开应用

http://blog.cnsunrun.com/member/blog/blog\_info/30/84


php各类编码集详解和在什么样状态下开展应用

  浏览次数:46  公布时间:2011-06-11 23:40       

字符是各个文字和标记的总称,包蕴各国家文字、标点符号、图形符号、数字等。字符集是多少个字符的集合,字符集系列较多,每个字符集包蕴的字符个数差距,常见字符集名称:ASCII字符集、GB2312字符集、BIG5字符集、
GB
18030字符集、Unicode字符集等。总括机要标准的拍卖各类字符集文字,要求开展字符编码,以便计算机可以辨识和存储各个文字。

中文文字数据大,而且还分为简体汉语和繁体普通话三种差异书写规则的文字,而总括机最初是按丹麦语单字节字符设计的,由此,对中文字符举行编码,是汉语音信调换的技艺基础。本文将如约字符集的光阴各种研商二种典型的字符集,选择二种代表性的国语字符集,切磋历史由来、特点、技术特色。

ASCII 字符集

1.名称的案由

ASCII(American Standard Code for Information
Interchange,美利坚联邦合众国音讯沟通标准代码)是依照拉各斯字母表的一套电脑编码系统。

2.特点

它根本用来浮现现代丹麦语和其他西欧语言。它是前些天最通用的单字节编码系统,并同样国际标准ISO
646。

3.饱含内容

控制字符:回车键、退格、换行键等。

可突显字符:英文大小写字符、阿拉伯数字和西文符号

4.技巧特色

7位(bits)表示一个字符,共128字符

5.ASCII增添字符集

7位编码的字符集只能够协助128个字符,为了表示越来越多的亚洲常用字符对ASCII举办了扩充,ASCII扩大字符集使用8位(bits)表示一个字符,共256字符。

ASCII扩充字符集比ASCII字符集扩张出来的标志包蕴表格符号、统计符号、希腊(Ελλάδα)字母和不一样常常的拉丁符号。 

GB2312 字符集

 1.称号的案由

GB2312又称为GB2312-80字符集,全称为《音信调换用汉字编码字符集·基本集》,由原中国国家标准总局发布,1981年7月1日实践。

2.特点

GB2312是礼仪之邦国家标准的简体粤语字符集。它所引用的汉字已经覆盖99.75%的施用功用,基本知足了汉字的微处理器处理须要。在中华大洲和新加坡共和国获广泛采纳。

3.分包内容

GB2312收录简化汉字及一般符号、序号、数字、拉丁字母、日文假名、希腊语(Greece)字母、俄文字母、汉语拼音符号、中文注音字母,共
7445
个图形字符。其中包蕴6763个汉字,其中超级汉字3755个,二级汉字3008个;包含拉丁字母、希腊共和国(Ελληνική Δημοκρατία)字母、日文平假名及片假名字母、匈牙利(Magyarország)语西奥胡斯字母在内的682个全角字符。 

4.技巧特点

(1)分区表示:

GB2312中对所收汉字举行了“分区”处理,每区含有94个汉字/符号。那种代表方法也称为区位码。

各区包含的字符如下:01-09区为特殊符号;16-55区为一流汉字,按拼音排序;56-87区为二级汉字,按部首/笔画排序;10-15区及88-94区则未有编码。

(2)双字节代表

七个字节中前边的字节为率先字节,前面的字节为第二字节。习惯上称第一字节为“高字节”
,而称第二字节为“低字节”。

“高位字节”使用了0xA1-0xF7(把01-87区的区号加上0xA0),“低位字节”使用了0xA1-0xFE(把01-94加上0xA0)。

5.编码比方

以GB2312字符集的率先个汉字“啊”字为例,它的区号16,位号01,则区位码是1601,在多数总括机程序中,高字节和低字节分别加0xA0获得程序的方块字处理编码0xB0A1。统计公式是:0xB0=0xA0+16,
0xA1=0xA0+1。

BIG5 字符集

1.称谓的因由

又称大五码或五大码,1984年由山西财团法人音讯工业策进会和五间软件公司Alienware(msi微星)、神通 (MiTAC)、佳佳、零壹 (Zero One)、大众(FIC)创立,故称大五码。

化学答案,Big5码的暴发,是因为马上云南分化厂商各自推出分歧的编码,如倚天码、IBM
PS55、王安码等,相互不可能同盟;另一方面,山西政坛及前卫无推出官方的汉字编码,而中国大洲的GB2312编码亦未有收录繁体普通话字。

2.特点

Big5字符集共收录13,053个中文字,该字符集在中国浙江使用。字正腔圆的是该字符集重复地接纳了八个一律的字:“兀”(0xA461及0xC94A)、“嗀”(0xDCD1及0xDDFC)。

3.字符编码方法

Big5码使用了双字节储存方法,以八个字节来编码一个字。第二个字节称为“高位字节”,首个字节称为“低位字节”。高位字节的编码范围0xA1-0xF9,低位字节的编码范围0x40-0x7E及0xA1-0xFE。

各编码范围对应的字符类型如下:0xA140-0xA3BF为标点符号、希腊共和国字母及特殊符号,其余于0xA259-0xA261,存放了双音节度量衡单位用字:兙兛兞兝兡兣嗧瓩糎;0xA440-0xC67E为常用汉字,先按笔划再按部首排序;0xC940-0xF9D5为次常用汉字,亦是先按笔划再按部首排序。

4.Big5 的局限性

即便Big5码内含有一万八个字符,然则从未考虑社会上流通的真名、地名用字、方言用字、化学及生物科等用字,没有包蕴日文平假名及片假名字母。

例如海南视“着”为“著”的异体字,故并未选用“着”字。康熙帝字典中的一些部首用字(如“亠”、“疒”、“辵”、“癶”等)、常见的人名用字(如“堃”、“煊”、“栢”、“喆”等)
也并未收录到Big5中间。

GB18030 字符集

1.称呼的原委

GB
18030的全称是GB18030-2000《新闻交流用汉字编码字符集基本集的扩充》,是我国政坛于2000年3月17日揭橥的新的汉字编码国家标准,2001年5月31日后在中华市面上发布的软件必须符合本专业

2.特点

GB
18030字符集标准的出面经过广大参与和实证,来自国内外盛名新闻技术行业的营业所,信息产业部和原国家品质技术监督局联袂实施。

GB
18030字符集标准解决汉字、日文假名、乌克兰语和华夏少数民族文字组成的大字符集总结机编码难点。该专业的字符总编码空间当先150万个编码位,收录了27484个汉字,覆盖粤语、日文、印度语印尼语和中国少数民族文字。满意中国陆上、香港(Hong Kong)、广西、扶桑和南朝鲜等南亚地区音信互换多文少禽、大字量、多用途、统一编码格式的渴求。并且与Unicode
3.0版本包容,填补Unicode增添字符字汇“统一汉字扩张A”的始末。并且与原先的国家字符编码标准(GB2312,GB13000.1)兼容。

3.编码措施

GB
18030正经应用单字节、双字节和四字节几种艺术对字符编码。单字节部分选取0×00至0×7F码(对应于ASCII码的相应码)。双字节有的,首字节码从0×81至0×FE,尾字节码位分别是0×40至0×7E和0×80至0×FE。四字节有些应用GB/T
11383未利用的0×30到0×39作为对双字节编码伸张的后缀,这样扩充的四字节编码,其范围为0×81308130到0×FE39FE39。其中第一、三个字节编码码位均为0×81至0×FE,第二、七个字节编码码位均为0×30至0×39。

4.含有的内容

双字节部分收录内容主要概括GB13000.1全套CJK汉字20902个、有关标点符号、表意文字描述符13个、增补的汉字和部首/构件80个、双字节编码的比索符号等。  四字节部分收录了上述双字节字符之外的,包含CJK统一汉字扩展A在内的GB
13000.1中的全部字符。

Unicode字符集

1.称号的由来

Unicode字符集编码是Universal Multiple-Octet Coded Character Set
通用多八位编码字符集的简称,是由一个名为 Unicode 学术学会(Unicode
Consortium)的单位制定的字符编码系统,帮衬现今世界种种不一致语言的书面文件的置换、处理及展现。该编码于1990年启幕研发,1994年标准颁发,最新版本是二零零五年一月31日的Unicode
4.1.0。

2.特征 

Unicode是一种在微机上运用的字符编码。它为每种语言中的每个字符设定了联合并且唯一的二进制编码,以满足跨语言、跨平台开展文本转换、处理的渴求。

3.编码措施

Unicode
标准始终使用十六进制数字,而且在书写时在后边加上前缀“U+”,例如字母“A”的编码为
004116 和字符“?”的编码为 20AC16。所以“A”的编码书写为“U+0041”。

4.UTF-8 编码 

UTF-8是Unicode的里边一个用到格局。 UTF是 Unicode Translation
Format,即把Unicode转做某种格式的意趣。

UTF-8便于分化的微机之间利用互连网传输不同语言和编码的文字,使得双字节的Unicode可以在现存的拍卖单字节的系统上科学传输。

UTF-8使用可变长度字节来储存
Unicode字符,例如ASCII字母继续选用1字节囤积,重音文字、希腊共和国(The Republic of Greece)字母或西印第安纳波利斯字母等使用2字节来存储,而常用的方块字就要采用3字节。辅助平面字符则选择4字节。

5.UTF-16 和 UTF-32 编码 

UTF-32、UTF-16 和 UTF-8 是 Unicode
标准的编码字符集的字符编码方案,UTF-16 使用一个或八个未分配的 16
位代码单元的队列对 Unicode 代码点进行编码;UTF-32 即将每一个 Unicode
代码点表示为相同值的 32 位整数。

 

php 各类应用乱码难点的缓解措施

1) 使用 标签设置页面编码

其一标签的效用是声称客户端的浏览器用哪些字符集编码显示该页面,xxx 可以为
GB2312、GBK、UTF-8(和 MySQL 分裂,MySQL 是
UTF8)等等。因而,超过一半页面可以行使那种艺术来报告浏览器突显那么些页面的时候使用什么编码,那样才不会造成编码错误而发生乱码。不过部分时候大家会发现有了那句如故不行,不管
xxx 是哪种,浏览器拔取的一向都是一种编码,这一个情状我背后会谈到。

请留心, 是属于 HTML 音信的,仅仅是一个声称,仅注解服务器已经把 HTML
新闻传到了浏览器。

2) header(“content-type:text/html; charset=xxx”);

这几个函数 header() 的功能是把括号里面的音讯发到 http
标头。若是括号里面的情节为文中所说那么,那作用和
标签基本相同,大家对待首个看发现字符都大概的。然而分歧的是如果有那段函数,浏览器就会永远采纳你所须求的
xxx
编码,相对不会不听话,因而那几个函数是很有用的。为啥会这么吗?那就得说说
http 标头和 HTML音信的反差了:

http 标头是服务器以 http 协议传送 HTML 音信到浏览器前所送出的字串。而
标签是属于 HTML 信息的,所以 header() 发送的始末先抵达浏览器,通俗点就是
header() 的先期级高于 (不理解可以仍旧不可以这么讲)。即使一个 php
页面既有header(“content-type:text/html;charset=xxx”),又有,浏览器就只认前者
http 标头而不认 meta 了。当然那么些函数只可以在 php 页面内使用。

无异于也留有一个题材,为啥前者就相对起效果,而后者有时候就相当吧?那就是接下去要谈的Apache
的缘故了。

3) AddDefaultCharset

Apache 根目录的 conf 文件夹里,有总体 Apache 的布置文档 httpd.conf。

用文件编辑器打开 httpd.conf,第 708 行(分化版本可能分裂)有
AddDefaultCharset
xxx,xxx为编码名称。那行代码的情趣:设置任何服务器内的网页文件 http
标头里的字符集为你默许的 xxx字符集。有那行,就一定于给每个文件都加了一条龙
header(“content-type:text/html; charset=xxx”)。那下就通晓怎么明明
设置了是 utf-8,可浏览器始终采取 gb2312 的因由。

假定网页里有 header(“content-type:text/html;
charset=xxx”),就把默许的字符集改为你设置的字符集,所以这些函数永远有用。即使把
AddDefaultCharset xxx 前边加个”#”,注释掉那句,而且页面里不含
header(“content-type…”),那那个时候就轮到 meta 标签起功用了。

下边列出上述的事先顺序:

header(“content-type:text/html; charset=xxx”)

.. AddDefaultCharset xxx

..

要是你是 web
程序员,提出给您的每个页面都加个header(“content-type:text/html;charset=xxx”),那样就可以保险它在任何服务器都能科学显示,可移植性也正如强。

4) php.ini 中的 default_charset 配置:

php.ini 中的 default_charset = “gb2312” 定义了 php
的默许语言字符集。一般推荐注释掉此行,让浏览器根据网页头中的 charset
来机关拔取语言而非做一个强制性的规定,那样就足以在同步服务器上提供多样语言的网页服务。

admin

网站地图xml地图