|
 
- UID
- 1
- 帖子
- 738
- 精华
- 28
- 积分
- 14321
- 金币
- 2446
- 威望
- 1647
- 贡献
- 1394
|
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 j& P" j! w7 Q, V1 a+ h
: S `1 `0 Z" h" k- j& k' B
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。 J% y5 [9 j& D2 _9 k' H9 [
$ ~8 x. Q' h4 h4 R3 a8 k
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。
# X, o5 n& ?- v( W8 H8 P1 y' D; U( |
2、台湾，香港等地使用的是BIG5编码6 h. s2 O, Q+ U9 p! A& X
; E2 z: H9 g* S 3、日本：SJIS编码* Y* A# V9 R7 U. p, t m8 l
' w1 t) I7 V7 ?! ^# Y
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。
. c9 y& J1 v7 H6 E
# x, [# A( Q% K7 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。
' Z2 l# Y3 q; ^) P6 [$ \! N. K* E7 G5 T# U
Unicode的学名是"Universal Multiple-Octet Coded Character Set"，简称为UCS。
5 @9 q4 N4 c& X5 T/ s
# J3 f& N8 k" l6 n$ e 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
( _7 |4 d6 }( P
+ k( ^" F# w( D/ v5 A! ~7 @9 Z 20000-20FFF - 21000-21FFF - 22000-22FFF - 23000-23FFF - 24000-24FFF - 25000-25FFF - 26000-26FFF - 27000-27FFF - 28000-28FFF - 29000-29FFF - 2A000-2AFFF - 2F000-2FFFF
; W$ |1 i' t4 c+ t: F5 |+ e7 [$ e& G6 l
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 ]: W1 T6 d4 N# \' s; C2 L
4 b6 M6 a. }# z4 C5 I3 O2 E1 A
什么是codepage?codepage就是各国的文字编码和Unicode之间的映射表。
" ?6 x$ r- }0 R& W" ~
3 _- \/ K/ S4 d7 x' O" } t6 S* A 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。) e3 \: M4 g+ _; H9 a
/ `9 L7 f. R& |! N
codepage=936 简体中文GBK$ j( i4 Q5 z6 S
3 V4 n' s9 a; I/ l) T codepage=950 繁体中文BIG5
# U( A5 b2 ^4 D2 q, {: E
0 K4 J$ ?- W; S$ l A( H! \ codepage=437 美国/加拿大英语
3 u( o. s. ~' [5 {- X+ o; @, a. Q" v; ?) f% s/ A n- X* G2 j
codepage=932 日文
2 I) Y; z& z3 v7 J( _5 h
, f* J' Z6 E8 g codepage=949 韩文4 M" e0 w- x( d% _; |# u
& i/ R8 B: i2 M# b% V
codepage=866 俄文" Y I5 y8 |- u6 |
$ ?, R1 M: j9 }: l6 _" g4 D4 Z
codepage=65001 unicode UFT-8
, S a; N2 y- e1 ^5 i
t* J4 E1 H+ v% F8 O6 J5 | 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。
4 f& R; s3 w0 I
6 g6 p/ l& e) o; X) A8 W- I5 w 从936中随意取一行，例如：
, j: f7 M9 D4 L4 N6 v) Y! c8 B: \! u/ X3 m
0x9993 0x6ABD #CJK UNIFIED IDEOGRAPH
P* O. _+ P3 j0 |. V+ n
1 V0 N; A5 b# r a- c+ A 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。
! e" z( V$ b- M% B4 X% L3 I- ]9 H4 A% 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?. o3 S+ U/ H7 ?
5 ~. R1 ~4 H- h! w" ?! k4 h: G+ _ 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?) Q: K+ e @# q$ J' s
6 ]# j' P% i4 w d, g5 S8 `% N1 d 例：* O4 H7 c3 h2 E& c
# Y# ~' }0 U7 x
E4 BD A0 11100100 10111101 10100000
4 |, C2 j, K1 T- v- H1 S9 r2 \* d7 X$ z( }$ a
这是“你”字的UTF-8编码
! f" L( X5 j5 j$ S) C& C5 n+ p' U. |$ W1 h
4F 60 01001111 01100000) M& S: L, ^# ?/ L/ {# l
3 w9 x* e' }6 `' i! t y
这是“你”的Unicode编码
$ E5 U, f- y H
) q& ~6 \. S9 u S: O 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。( H+ H* }' S/ u7 H
! U Z+ E9 Y0 l/ Z' g7 r7 X; t: I
以下是Unicode和UTF-8之间的转换关系表：$ N% B9 a! S9 m7 v# K. O; |
0 }( c# y6 _" t0 q9 ~
U-00000000 - U-0000007F: 0xxxxxxx
0 X! \- B1 U/ R1 Y, l' X: E2 F x, A* {8 v
U-00000080 - U-000007FF: 110xxxxx 10xxxxxx
- X+ `! ~& m. l4 l4 d% x! o8 h9 |: l; y) L* j
U-00000800 - U-0000FFFF: 1110xxxx 10xxxxxx 10xxxxxx
/ h' _ K5 M! R- d* _
& [7 M: \7 x( {3 W7 J* U' w: p U-00010000 - U-001FFFFF: 11110xxx 10xxxxxx 10xxxxxx 10xxxxxx( X& j& S* I5 Z. D0 {; ?
& D" q5 o( M# H- ]( q U-00200000 - U-03FFFFFF: 111110xx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx) F( ?& v6 |0 h7 J4 ?
$ o+ f' x! x! g1 A W( ^
U-04000000 - U-7FFFFFFF: 1111110x 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx
4 L8 O- U; y- @0 [1 d% I9 F; N, Z6 \
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
| 