|
 
- 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：
. f; w/ I2 m' Q6 l0 X5 s+ m" O( T8 S+ ?; V3 ?. |- `
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& E9 Z: e6 D9 I+ l8 ]% ?5 F) j1 C4 b+ {8 Y/ ~' Z: R
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。
/ c& V5 a: q1 l9 h/ b3 G
: o) u7 v$ l/ y" U6 q 2、台湾，香港等地使用的是BIG5编码
4 V, K: v, s& i4 b. \2 S3 `+ J& X4 j4 @+ H
3、日本：SJIS编码! \' O; a' o! q
5 K! n3 W* x5 k1 w. N8 C9 n
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。
6 q w k* o( N! H: a4 l
( v# s+ B3 R1 G 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 L& {8 B7 @) T
4 c2 k0 T4 A# L1 ] Unicode的学名是"Universal Multiple-Octet Coded Character Set"，简称为UCS。
7 z; X* h) s. S8 L
3 V$ Y: {% V8 L9 k) T: [+ O/ 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7 `. j: D4 r- P* a
) `3 {7 L+ R# j7 q4 A) [! w/ D7 C
20000-20FFF - 21000-21FFF - 22000-22FFF - 23000-23FFF - 24000-24FFF - 25000-25FFF - 26000-26FFF - 27000-27FFF - 28000-28FFF - 29000-29FFF - 2A000-2AFFF - 2F000-2FFFF/ {8 K# c, T' r
, m2 y4 T- l- G Y0 `
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。( K! g* A( I+ X9 |
% {8 f4 |+ o5 `+ s 什么是codepage?codepage就是各国的文字编码和Unicode之间的映射表。- ^/ w' b s1 m& ? {, c
0 ~0 w0 J: X4 [2 g 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。
# P0 V! q6 Y, L7 I2 n: H
R( @/ y8 A( H$ ]( M" W: j codepage=936 简体中文GBK
4 {9 g: t1 B& L, o. F8 g+ }/ N+ X% A* r
codepage=950 繁体中文BIG51 U/ L# N: y. |5 c
0 _- _+ ^. L6 _) U1 ^& A
codepage=437 美国/加拿大英语
0 ]: { _) Y8 t# D4 q: `
% U: {7 C9 j9 X: ?, Q# Y( ] codepage=932 日文
o( ?( ]: l' s9 G
$ [, E9 Y( d1 F& L0 U$ o% I" z codepage=949 韩文1 `# T7 ~5 c, o R, [2 |7 O
; g6 |! M- C e7 j
codepage=866 俄文
9 x& U* J# p% ]/ q) Z" B
! ]# l+ w3 `# M# L# F% O' W | codepage=65001 unicode UFT-8% q$ i4 P) b+ I6 C
6 Z$ L. Q- w7 Y6 j$ l3 g 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。
0 K& p2 n& K" d# e: x" D4 o# K7 B9 D7 Q6 \& }9 C* H
从936中随意取一行，例如：# ?8 G2 p# W' S
# i% {8 X4 w5 {
0x9993 0x6ABD #CJK UNIFIED IDEOGRAPH3 T \2 ~& [4 c3 u
4 U+ M4 |1 D- W% V/ W. Y% X
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。
# g' q2 c8 E. h3 e5 n6 g: F) R% b4 e; l
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?) l& Y. [( b: Q0 d
! r. ?2 E' ]$ i: j% [2 ~
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?
- w8 h1 j/ h2 R4 ~2 }# {4 P6 |" a9 ^! Y
例：' b V. T5 e. U. L. O6 Y
1 i7 h% H' S" K4 I" x3 S7 G$ l
E4 BD A0 11100100 10111101 101000003 Q% Z1 ?- |) [9 o
( C+ S! J/ K% f
这是“你”字的UTF-8编码
; O. l6 F. p9 S9 u, ~7 ^1 s+ X
. e& \. Z" u1 z' A- r2 U8 H1 t- W 4F 60 01001111 01100000' T! N* d% h! [8 K# H) _
+ i# B! _1 U4 h' E. {9 T a 这是“你”的Unicode编码# b& f+ N4 \# `' x
) ^+ r R! {- Y1 ?' }2 o# w, 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。
2 Y& L4 X( t0 j, D
_; g0 D. v& t- e( O 以下是Unicode和UTF-8之间的转换关系表：& z4 f2 V8 w9 _5 m+ B; e+ H
8 T2 C3 W. t2 B4 B U-00000000 - U-0000007F: 0xxxxxxx
: c3 q0 X% g# N, q+ V) I. }6 U. R/ P8 d$ M
U-00000080 - U-000007FF: 110xxxxx 10xxxxxx
$ c+ g/ }4 s S* `' \# e% t$ F6 w" ]* N5 n
U-00000800 - U-0000FFFF: 1110xxxx 10xxxxxx 10xxxxxx" f5 I5 i7 \9 o# C) w
! b5 o7 S( M! N7 i% V
U-00010000 - U-001FFFFF: 11110xxx 10xxxxxx 10xxxxxx 10xxxxxx
) e. V$ N6 o6 P
! z2 p7 R# l/ Z' h8 L U-00200000 - U-03FFFFFF: 111110xx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx
' P6 j7 q- S( i- x; l7 P* }
, Y& B# n$ N6 M6 f# l9 j U-04000000 - U-7FFFFFFF: 1111110x 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx
" n$ C0 [1 x5 k0 @9 U H6 O g
( J C) a7 e% o" l( f- l 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
| 