|
 
- UID
- 1
- 帖子
- 738
- 精华
- 28
- 积分
- 14389
- 金币
- 2480
- 威望
- 1647
- 贡献
- 1428
|
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：+ E; w4 D! g9 S. q) d0 n
( D+ n' Y" f6 n/ l* o$ m8 i$ h 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。
8 K! _% ]) `* c9 @
' [9 S, k4 Y2 Q& g 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。
( P3 r2 E" o: W- T# Q0 d$ I" { k( D4 e
2、台湾，香港等地使用的是BIG5编码! S3 M4 S! K5 t2 F
9 ^) a {. R j# D1 j5 q
3、日本：SJIS编码
4 t/ ~8 k1 ]4 j0 Z$ ?0 Y
! D7 ]" x; b- N+ B* t: M; s1 S% a 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。
, D- z( Z# O% V: l. J2 c
% y* e& a+ t8 q3 w 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。
; t6 ?$ u8 l) n1 d& q4 y, `$ Q- J1 y& r
Unicode的学名是"Universal Multiple-Octet Coded Character Set"，简称为UCS。
. m5 c' y( w: Z0 P3 G& d$ a7 a6 |3 W, B9 g7 F# D& I1 ^
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0 Y5 M9 b+ p6 B4 q# a
7 @1 ] I# q+ k t/ v
20000-20FFF - 21000-21FFF - 22000-22FFF - 23000-23FFF - 24000-24FFF - 25000-25FFF - 26000-26FFF - 27000-27FFF - 28000-28FFF - 29000-29FFF - 2A000-2AFFF - 2F000-2FFFF9 F7 D( ^- e2 O7 r
, ]6 A: R* L5 ]$ e) S- 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。
& o7 u- u# Q' b2 K- W! Y. g) S% I- y: i
什么是codepage?codepage就是各国的文字编码和Unicode之间的映射表。
% F+ d$ }9 o( S% F5 x6 \0 J. c- C6 D7 \- _& p9 \3 {) I
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。( G( Z' M* ^; Q# }' T' R g
" P. W3 d7 x0 _
codepage=936 简体中文GBK4 G* g, v1 p8 J
2 g, t }* e0 p" u1 m5 R* t$ _ codepage=950 繁体中文BIG5
2 l ? S( O- Y4 `
$ V2 U, c3 J) J: F4 Z3 U1 Y& e codepage=437 美国/加拿大英语" X, p9 }; e& S+ W
7 J$ |! P" V+ i$ ?) e codepage=932 日文8 f: f) W8 W4 K9 J9 H) S5 N( _" J
9 c$ |* V8 b; R4 M0 A' S codepage=949 韩文
: {9 Q3 F( U6 ]& Z4 _7 z8 ^3 z* g e# O2 P) a% c2 s
codepage=866 俄文 @: m( C2 B7 K' P3 Q" A
: R" o0 F1 V* @* j
codepage=65001 unicode UFT-8 U' s% A8 X! b. f" b; X6 d
9 I/ x* ?. M$ o
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。% P; K' X' u7 E$ i% F: k/ Y2 s* k
R- {2 x+ h' ]: Z' F; ]# X* a
从936中随意取一行，例如：
: u. B: u$ ~0 p6 P7 B
1 v' D* ]2 I, s p' V3 F/ m) ^) U5 D 0x9993 0x6ABD #CJK UNIFIED IDEOGRAPH
+ A; t6 z; x9 c8 q) q5 Q
9 o' u- |1 k2 G# d; V; o8 j 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。$ T6 l; i4 |) d& J/ } X5 e, H) P
* z0 Y% ?) C8 T/ A: _ 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?
+ q+ Z+ |# y; C: o9 {" f" ^% A6 m
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?
: [) |/ ^8 `3 a) \/ ^% O
8 G4 d: n: s& f1 T+ L) t( `4 n 例：& I3 d, e* v- e: l' C# H/ Q
$ y2 K* d) \! }6 W) }) |% t: g, z E4 BD A0 11100100 10111101 10100000* B. d$ Q( Y8 A
4 r# N) b4 ~7 P$ R2 G 这是“你”字的UTF-8编码2 K* A8 X) i# ^: u/ M+ {
: n* v& @/ D- v6 s 4F 60 01001111 01100000
0 M4 y8 ^- n# D$ ^' Z7 H6 d
- t8 c, h3 ~- l/ Z; b% j 这是“你”的Unicode编码
( F5 R- l" w7 \2 O S( Z& x% k1 `% h
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。0 |8 y, r9 s5 i. T0 x
7 N7 ^! H/ c1 z$ r% S) G4 L
以下是Unicode和UTF-8之间的转换关系表：$ v. C6 g- w* A0 i
2 v& F- u* m& b/ }6 C5 y
U-00000000 - U-0000007F: 0xxxxxxx
3 h2 n! r3 X$ O# L
6 ~6 I6 m/ N# R$ ?0 t U-00000080 - U-000007FF: 110xxxxx 10xxxxxx
0 ^' H/ `1 [: s8 e T9 k% j) I' Y+ T# ?
U-00000800 - U-0000FFFF: 1110xxxx 10xxxxxx 10xxxxxx
- c B3 k, a- u6 f, N+ C: O4 {0 t0 V" [7 C
U-00010000 - U-001FFFFF: 11110xxx 10xxxxxx 10xxxxxx 10xxxxxx+ m0 `' H" v; ^0 ^# u
: n8 `" `( G5 k1 \9 z: l* K8 a
U-00200000 - U-03FFFFFF: 111110xx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx. H" O U" C3 O8 X3 F1 f; p
! v$ ?' j2 o Q ^" B U-04000000 - U-7FFFFFFF: 1111110x 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx
5 V) |% }4 `; P' J- c2 [# o* g4 d+ U7 y. a
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
| 