|
 
- 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：
0 W- J ?& M, |' h! b0 I
2 ? z& a: g2 @" c u9 b/ Z1 x 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 c$ K1 Q" ^6 I/ ^- c( r8 @: ]/ j5 U3 M0 v8 E3 d& f6 U
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。* n4 j1 D4 w4 ?. h0 D
: P# U3 g/ N" W( d$ } 2、台湾，香港等地使用的是BIG5编码
5 V: |' R+ \/ o9 ^5 b) ?6 ?% I4 f7 v3 T% G
3、日本：SJIS编码
+ x) h2 K2 G+ m8 q; u8 L$ M" b, p4 r* B
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。# v8 n( L4 l0 U
6 U( r2 a- B+ X: d1 @7 M 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。
$ [) h( U( W a. a6 z7 J' I+ L- C3 C5 y
Unicode的学名是"Universal Multiple-Octet Coded Character Set"，简称为UCS。
# S2 v1 B4 m7 o, V1 e( H+ N5 e9 F' H* g) W" r. }# n Z/ B! ?
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 }. r" M- C$ ]. n: o: p1 [0 N ]& J" g% d7 O/ d4 g
20000-20FFF - 21000-21FFF - 22000-22FFF - 23000-23FFF - 24000-24FFF - 25000-25FFF - 26000-26FFF - 27000-27FFF - 28000-28FFF - 29000-29FFF - 2A000-2AFFF - 2F000-2FFFF& c( I/ w3 f" u k! h& w
- G% P2 q* k5 R
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。# \* ]7 P9 ?, b+ \2 ]( F
9 F+ N8 j( `- u a, r+ {6 S( M 什么是codepage?codepage就是各国的文字编码和Unicode之间的映射表。" ?- i# U0 P U. A O* K
9 [( d# A6 j3 d5 E
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。
- O* T. b0 h* K* _' i& {9 `4 Q
( b* L1 `' \* l9 D9 M" y$ z; R& q codepage=936 简体中文GBK) a% K: a4 ~* k5 Z
) B1 H5 c8 P2 c
codepage=950 繁体中文BIG5, j, n6 K+ F% f! X" \; f1 ]0 f
# S( R4 \8 V6 {0 q" S codepage=437 美国/加拿大英语
: I. E2 n) O, a j1 I+ Q: g2 a6 j# P. m5 ^
codepage=932 日文
% h! ^7 D7 e0 E8 ~; K t* L/ D1 D T3 G2 I' {
codepage=949 韩文
+ V3 d+ o" Q+ K4 c' n+ W6 Q7 N9 ~: p3 v( p# z
codepage=866 俄文
" h. j6 d4 i: ^7 d3 h2 g1 z
' e1 { z( P; q0 n" G& S codepage=65001 unicode UFT-8
2 H4 {# z# W* d- E( F" y( j4 K( E0 ?! y) 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。
3 m9 u: j# f, ^8 ]; e( U4 e& V/ f
从936中随意取一行，例如：
/ V; P/ G, }: n; J5 k$ S4 R* p) j1 _" j1 h; X0 k# @- U
0x9993 0x6ABD #CJK UNIFIED IDEOGRAPH
' O# u8 N, g) V- h
& o6 e: q' l p 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。* ~! j( @: r9 P, m5 ]
: \! \, k6 e# b3 ~ 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?
6 b0 Y) P9 Z( p5 p$ B2 w
, p* u4 H6 z8 ~* |! M5 G6 ~ 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?
m+ \& P# ?5 R1 Q2 s) ]$ ~$ y% Z. b# s; A
例：
, w% W3 b1 w; I% i5 W1 G- v0 b
1 F, t/ ?: h \# g E4 BD A0 11100100 10111101 101000008 f$ [: T( m1 W: p: ^
) D7 v8 Y' e3 A3 i7 e- {- i* ?& s2 ~/ E
这是“你”字的UTF-8编码# ^2 S; h1 }, U( U
5 H" |+ i/ k# _6 R6 r 4F 60 01001111 01100000
8 s. m$ b5 @$ U* ]; C
/ Q L9 H% T% ~! {( o 这是“你”的Unicode编码
9 w6 \' ?8 d6 o; |! {& F# i) h1 O( n+ ~: b
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。% J' h% y4 V1 ~' ]$ d8 b3 k
7 a, q. m# j0 y8 C( a" H; D
以下是Unicode和UTF-8之间的转换关系表：
, O. m/ S) n+ G+ j: ]- T! u, p, }( P. a0 v; l: p
U-00000000 - U-0000007F: 0xxxxxxx5 v) Y' F/ ^4 j3 F9 F' g
' L; z2 o- k7 N U-00000080 - U-000007FF: 110xxxxx 10xxxxxx
, Y: a( i4 h' j: b; y
5 L" z; L5 p, O8 M: v U-00000800 - U-0000FFFF: 1110xxxx 10xxxxxx 10xxxxxx* d( [2 d7 U G# q j" Q; J
4 s5 E7 k! \9 v% E8 d
U-00010000 - U-001FFFFF: 11110xxx 10xxxxxx 10xxxxxx 10xxxxxx
2 ]1 H1 v7 R$ \, a
/ ?5 b8 R8 g$ k, S6 \ U-00200000 - U-03FFFFFF: 111110xx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx
# @5 Z5 B2 Q3 d8 o% k3 T* x
( ^. M( R# L0 o+ x/ u6 z2 c U-04000000 - U-7FFFFFFF: 1111110x 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx/ D* Z8 e- q$ i9 P! `! M
5 `# Z: a# d6 p% g T 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
| 