|
 
- UID
- 1
- 帖子
- 738
- 精华
- 28
- 积分
- 14197
- 金币
- 2389
- 威望
- 1647
- 贡献
- 1337
|
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：3 t1 M8 M$ {) J
* @$ E* M/ L: f. g4 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。. D! {0 ~3 m6 @- W, b6 @/ L
+ { r4 L/ n! F" R$ B( 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。/ Y3 _" r& f9 h0 r9 E$ ~9 n/ ] t
6 N( W' O5 o' W* z 2、台湾，香港等地使用的是BIG5编码7 t9 e4 [! ]* g) o. {4 b
# @0 X! z8 x4 P. J& F$ t 3、日本：SJIS编码
f2 q: i7 z. O( W- s# O
! ^) r0 y" _7 o, M8 c 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。* B# Q# ?/ d1 f# \3 c! m- }) a
2 D% X$ G( r4 V1 R 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。7 I1 E) R6 K7 S8 k1 R/ Y. P; |/ L
: Y! R; d* F( d+ c8 ~* ]5 b Unicode的学名是"Universal Multiple-Octet Coded Character Set"，简称为UCS。
2 T( k5 n) X2 x/ F4 D- J: N' C" i& N* i- C% V7 q6 Z7 p
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& V# X, P% G0 [7 @. T4 D7 ?
+ D& X+ j2 T' y 20000-20FFF - 21000-21FFF - 22000-22FFF - 23000-23FFF - 24000-24FFF - 25000-25FFF - 26000-26FFF - 27000-27FFF - 28000-28FFF - 29000-29FFF - 2A000-2AFFF - 2F000-2FFFF
7 @9 t6 t1 e# ~, i/ z
' `! {( X/ v2 {7 W3 C) N7 A1 C& v 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。) z9 B6 \) B6 C- \9 i
3 o/ c. n7 Y" c1 A( t) K3 v1 ]5 p 什么是codepage?codepage就是各国的文字编码和Unicode之间的映射表。
6 Q" r6 }8 M' b% t0 T4 ?9 S& y
, @9 V7 I, T7 j' D- @$ W 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。/ K) y5 a* T2 ~$ c( v: [2 ^
# q* t# u0 v8 M% p
codepage=936 简体中文GBK
6 I4 ?- I6 `8 m* ]+ J/ {0 ~! G4 t4 |# n
codepage=950 繁体中文BIG5. K6 d8 u# ?+ v$ c: ~
* o0 m& l% a* W& V/ s& f: L codepage=437 美国/加拿大英语
) }$ ]" d+ f: C9 H: A, w8 @2 U% _2 D
codepage=932 日文
) d( ?1 e/ Y9 d# B& C' S' A$ i
5 ?+ f t/ S9 a$ C8 A codepage=949 韩文
( I- ?( [; i e
' [ e" ~0 X- g+ d% q$ U6 l& R E% S8 K codepage=866 俄文8 | K+ l' \$ b+ }4 |6 r; N! o
0 N V: n) |. S
codepage=65001 unicode UFT-84 j- V, o$ f% r0 l. D9 s
; Q) n6 ` k6 T v# s
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。- |; [: D$ M1 f- m4 ^
& V5 J& S; t' y; K: F 从936中随意取一行，例如：
& D7 E& j4 L# q( b+ Q( y' C! ^% v2 ~2 S ]9 F) V( N6 d
0x9993 0x6ABD #CJK UNIFIED IDEOGRAPH
% _. I( i, W, R/ Q1 X- P! R" i3 T8 n. } d0 ^6 I/ E
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。4 J3 w E& `# P4 Z* s+ v, w: D
# K. T3 v( M, y6 m$ z7 ?
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?
' _9 |% H! h. b0 M8 H' W1 n* \% H" h0 ` ?3 @) y
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?+ i5 R# J; ^% D
. T, H4 `+ g) d) `
例：
% }, c/ Y9 v) g: |( x
* V* z p( D4 \. W1 ` E4 BD A0 11100100 10111101 10100000: ~5 r8 t* ^4 f# q- N
. w8 @0 O) b9 }0 k1 `: c
这是“你”字的UTF-8编码
- j. ?, X' h. H8 Z& }2 W1 S* v+ U! ?; B; A- h
4F 60 01001111 01100000" q9 k7 o5 O9 T: r- A+ r) \: U0 ]$ r
, B7 v" \% w# m" X; L; ` n% Y# y4 @
这是“你”的Unicode编码
! A& c/ ^! o4 b( ]# B- w/ X# a9 M) d1 Z5 s. `
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。
1 d! Z7 Q- v* U8 \7 K n- S. u7 j' b" H* R, Z/ s. r, \
以下是Unicode和UTF-8之间的转换关系表：/ q2 ?5 s( t- G
3 O( \! D3 B0 } U-00000000 - U-0000007F: 0xxxxxxx7 w+ g1 c3 y- p
& y) T" U7 o0 v" h U-00000080 - U-000007FF: 110xxxxx 10xxxxxx
8 r) |; F* E8 f$ o
! B& K* D6 N( X7 _4 @ U-00000800 - U-0000FFFF: 1110xxxx 10xxxxxx 10xxxxxx, H8 z+ c4 m2 D5 W: ^7 A- @1 t
. M4 _. v% L/ d1 j8 m1 O U-00010000 - U-001FFFFF: 11110xxx 10xxxxxx 10xxxxxx 10xxxxxx* A4 Q* Z6 [/ g) L# c9 P; v( T
3 Q9 j: C: t" s( z" _$ e1 m' [ U-00200000 - U-03FFFFFF: 111110xx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx
2 { c: d! Z& z8 A* T
2 k4 V4 W3 H0 h& G. Q U-04000000 - U-7FFFFFFF: 1111110x 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx% H! ]2 w# |+ ^
6 t) ?6 Q8 k3 ]5 [0 G4 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
| 