|
 
- UID
- 1
- 帖子
- 738
- 精华
- 28
- 积分
- 14389
- 金币
- 2480
- 威望
- 1647
- 贡献
- 1428
|
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：8 |2 Y [2 [; ?/ C) N/ S$ k# w
. a$ G8 f$ M0 c
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。
( l* _9 p' \: |6 x* J$ X4 A) ?% @8 W/ @2 B% ~" e% n' J
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。# d( Y3 @5 H( r0 A+ G: M
" v; ?0 o! ] M6 t' K3 M( ~
2、台湾，香港等地使用的是BIG5编码
! E5 o5 W; ?' M$ R# L7 C; h8 V
' r; R3 o' t E- c) q 3、日本：SJIS编码1 s. R: ~$ ^9 {% o, f# s8 k" Z
) {% n _% K7 h ]' x; 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。3 Q0 E8 S( F- V8 [6 J, g. q
1 J; Y- J0 m9 X |! r. q 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。
- K" g. C) {2 A: f: j1 n- `1 D4 \8 T7 ~" z: U
Unicode的学名是"Universal Multiple-Octet Coded Character Set"，简称为UCS。1 N5 y7 t6 B7 q+ ~+ O& ]; S$ P
: ^3 A8 y' ?2 G/ a- N4 H' y# {8 \2 O, h 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
4 D0 w+ J" }- o" C/ z4 E/ G: z. k0 |" n2 b
20000-20FFF - 21000-21FFF - 22000-22FFF - 23000-23FFF - 24000-24FFF - 25000-25FFF - 26000-26FFF - 27000-27FFF - 28000-28FFF - 29000-29FFF - 2A000-2AFFF - 2F000-2FFFF3 d6 k7 C- X) R f
3 |( Z% h0 w' {) [2 {4 H
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。' F! S7 q; ^7 t1 h. D8 m
' F3 L* A( K, l7 U
什么是codepage?codepage就是各国的文字编码和Unicode之间的映射表。3 u1 r1 B, e4 R1 D$ L" @) g
! ^7 n9 m2 ~$ P$ ~, g$ v. T
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。
; F9 T1 v2 D0 V/ R. k
: g0 x) o- B* f6 ^- x* ?+ @ codepage=936 简体中文GBK- Z: z* k( X/ _" z* T
$ B9 D. D; E t! j" c% _% V& a
codepage=950 繁体中文BIG5
# }0 t) J7 I' }# q2 K3 _- \/ ^( Q% v* [
codepage=437 美国/加拿大英语: Z8 _- W# D2 U N
) n: b8 }1 m+ k j2 l1 L codepage=932 日文, o7 E. a# i- U# D% b/ @& x& c3 V
: Y. c, l/ Q; ^! q codepage=949 韩文
- }, P+ k8 P1 U& Y% K8 n
9 L' F# P; h6 ?* E, l4 k codepage=866 俄文
N, e4 T7 p5 P) X$ b# I: ]6 T- w; M. b/ h" U& Z
codepage=65001 unicode UFT-82 o5 A$ ]5 ]$ O8 e
& m, Z, ?- |9 u( n" O; y3 _3 y 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。
. j+ b3 y6 M& S" l/ x. W+ \. @" y* @# E' V# N; G; S
从936中随意取一行，例如：$ L2 T. A! M6 \7 O
2 y% X c' Z* B0 m4 m* b 0x9993 0x6ABD #CJK UNIFIED IDEOGRAPH8 c/ j+ s; t8 A" t
! ~( c, F- n: F% `* F! A- R
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。% \8 R9 A6 y& r* `
0 U# k) H6 N+ w% W; S9 u5 T8 W
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?
' {# C6 ^% E |) L' Q! u
8 L$ U- N# p- X( O# b 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?0 ^+ n$ \% T7 u# U( U
1 B$ L8 ]" o5 X* F% \
例：7 l: A. x. D* L+ d! H
. r; e+ k( ^+ r/ R
E4 BD A0 11100100 10111101 10100000# x) i) Q4 T& H
' S! X6 {) R& I, ]) `( V 这是“你”字的UTF-8编码
% W$ [0 h6 p& U( l
8 G3 i+ ~+ z# d; Q. Z 4F 60 01001111 01100000
& D9 |6 I, Z3 m* ^6 c2 T; t( J+ k1 s3 O
这是“你”的Unicode编码- h% Z- B# Q+ r- W$ b! Y
: ?0 {" d6 {8 g, g$ ~ 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# S. u" z" ?! F1 c
# w- x. F( C1 j! Q
以下是Unicode和UTF-8之间的转换关系表：
( U9 ^1 W: O p4 Q
0 ~8 L1 ^; E. c& } U-00000000 - U-0000007F: 0xxxxxxx. o* N: x7 T6 R" k/ S6 o
. v6 o, h$ d7 K2 ?) m U-00000080 - U-000007FF: 110xxxxx 10xxxxxx6 x; i/ B9 i, k4 ~( t" l
0 G, I) t! z1 f U-00000800 - U-0000FFFF: 1110xxxx 10xxxxxx 10xxxxxx
5 e9 }! V& O; P8 d T$ @: V) ^7 J7 m6 d% N1 J# D2 g4 W9 y g/ p
U-00010000 - U-001FFFFF: 11110xxx 10xxxxxx 10xxxxxx 10xxxxxx. w. b4 q- u6 E: U+ x; R
) Y* {) ?/ }2 d# t
U-00200000 - U-03FFFFFF: 111110xx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx& v+ R5 I4 C/ {
5 M; `, z$ {9 P6 \3 r! b6 a9 p
U-04000000 - U-7FFFFFFF: 1111110x 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx
3 O3 l/ O/ f% t
+ F0 U4 Z+ o% \2 ~# L6 ^+ E- K 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
| 