捌玖网络工作室 - Powered by Discuz! Board

标题: HTML语言:什么是Unicode 什么是UTF-8 [打印本页]

作者: admin 时间: 2008-1-19 23:35 标题: 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：& q: q9 @5 a  N4 p1 `
* S' m$ F  j, ~- ^' C( l+ u
　　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。% ?' W( `+ y' C2 q. v. _! u! a, D, H
9 {) h- ?3 G- B4 x- i
　　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。
0 n5 O  l( C% F1 |
　　2、台湾，香港等地使用的是BIG5编码

　　3、日本：SJIS编码- G" V) @* A2 }9 R  Z! k1 G" i, N
' y5 W  K% I" Y+ }8 v, p( T% T0 e  X( _- w) Q
　　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。) n% G, B( s2 {

　　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。

　　Unicode的学名是"Universal Multiple-Octet Coded Character Set"，简称为UCS。* Z, F( E" T5 Y' d9 ^( c- `9 N
( t2 L- ^3 a7 \3 L4 q
　　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

　　20000-20FFF - 21000-21FFF - 22000-22FFF - 23000-23FFF - 24000-24FFF - 25000-25FFF - 　　26000-26FFF - 27000-27FFF - 28000-28FFF - 29000-29FFF - 2A000-2AFFF - 2F000-2FFFF

　　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。

　　什么是codepage?codepage就是各国的文字编码和Unicode之间的映射表。$ c# Z4 p9 I5 P9 [! M, D! J+ V
0 p  X" d/ {% @: T. u" 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。
! S* U% [  F/ H# l
　　codepage=936 简体中文GBK
5 j; ?: S7 ^' I3 A5 C: z
　　codepage=950 繁体中文BIG5

　　codepage=437 美国/加拿大英语. ?8 r5 @0 M$ s

　　codepage=932 日文
) h+ z$ n( ~" ^& u4 T
　　codepage=949 韩文
6 |) H0 s4 }5 K. J  C, k- m+ Y9 ]( _
　　codepage=866 俄文# F2 n3 V4 X" e( \4 W0 G
( U8 G6 o4 }+ N/ N
　　codepage=65001 unicode UFT-8

　　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 h3 q. q% E0 |

　　从936中随意取一行，例如：

　　0x9993 0x6ABD #CJK UNIFIED IDEOGRAPH

　　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。
# A) x6 ~# c  W% f+ R4 C. W# D) \
　　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?
+ {# y; I: s- x, J
　　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?
: j3 B1 C$ E# Q: F0 D- _
　　例：7 z+ r2 x, E# u$ f

　　E4 BD A0　　　　　　　　11100100 10111101 10100000/ n- v( n( R; v6 }: X* y  n

　　这是“你”字的UTF-8编码
) D! O) f. i. W8 J
　　4F 60　　　　　　　　　　01001111 011000003 v" Z/ M, v/ x  |
' h5 \: A/ L" r: [
　　这是“你”的Unicode编码" ~$ U  I# g3 @  h3 v
( @5 D3 n. _; S; s6 z( X1 }+ f' V
　　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 |9 Z; X* t
　　以下是Unicode和UTF-8之间的转换关系表：

　　U-00000000 - U-0000007F: 0xxxxxxx' u) M3 P/ M, N3 v+ T( D; i

　　U-00000080 - U-000007FF: 110xxxxx 10xxxxxx0 A) D6 A) g0 ~9 W  M

　　U-00000800 - U-0000FFFF: 1110xxxx 10xxxxxx 10xxxxxx$ {" X+ _% h3 ?) h9 K
4 X' i2 u3 I- H$ t) M' c
　　U-00010000 - U-001FFFFF: 11110xxx 10xxxxxx 10xxxxxx 10xxxxxx% V, m/ k& X- E, m. ^  ?, [

　　U-00200000 - U-03FFFFFF: 111110xx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx4 @6 X2 P$ [# Q

　　U-04000000 - U-7FFFFFFF: 1111110x 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx+ q+ R6 V" x$ {8 V  t
0 j) c; X9 w' v# B7 e) \- 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。

欢迎光临捌玖网络工作室 (http://89w.org/)