|
 
- 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：+ N$ d* R( ]3 N! _
* ]3 d0 O9 @" s3 G 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。
2 p. }4 ?. @ T* e O9 `, D! m1 K1 n! z
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。
& N$ `8 I G/ c% o- e4 P; E+ d6 ^1 [- x( F" r o
2、台湾，香港等地使用的是BIG5编码' g8 R% d; c, _$ X* P2 |
" j( c% i! I9 o" A0 h6 B2 f, [; E
3、日本：SJIS编码
: [" M0 O( J: j s3 p m* R2 [& B$ {2 s
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 U) `2 M S$ H0 X1 G. G; @* g* j+ X. _6 d% Y
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。
& `4 [2 S: @8 c% B& |- y/ i0 L$ b0 _! ]" F4 I2 v! `
Unicode的学名是"Universal Multiple-Octet Coded Character Set"，简称为UCS。3 P6 A, s9 y. N9 {: ?( y+ e
4 {, \' h% P2 q3 ?" m. i* R
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; T" C' Q; N5 F v( M
& N5 z6 h6 u5 ?) @8 e 20000-20FFF - 21000-21FFF - 22000-22FFF - 23000-23FFF - 24000-24FFF - 25000-25FFF - 26000-26FFF - 27000-27FFF - 28000-28FFF - 29000-29FFF - 2A000-2AFFF - 2F000-2FFFF! p+ i: D8 O! b6 J, v6 h$ U
9 v! i. }2 H1 r% n) ^
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。
* j# K5 {4 d9 O d0 V- H$ }
& N" {: S; v" E- } 什么是codepage?codepage就是各国的文字编码和Unicode之间的映射表。8 t+ N: x8 K! x
$ F. T. j) p# x 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。
$ S7 c: e4 R# |" {' W' b
" ]* }% ]1 Z0 y5 \: b; X codepage=936 简体中文GBK5 v A. d8 ?0 e, [- @8 }2 Q
) @& _& X3 \! W9 i. Q codepage=950 繁体中文BIG5
) d) I I6 U7 l7 `9 E7 L+ W
' {6 a% r6 @0 v9 |5 c F codepage=437 美国/加拿大英语
# p' G4 |+ X9 r- h5 n5 s/ b2 W
9 n+ f7 T# Q: S- x) G0 {& ? codepage=932 日文
J( m( b: {+ |, s( G C2 ^; v% C' o/ l1 m
codepage=949 韩文
$ K# ]$ n$ [. K' i: s
3 m/ K. \8 M/ c! O codepage=866 俄文
/ { q5 ~% d" u- h) |
7 t$ M% @" j8 o( z* ?) D codepage=65001 unicode UFT-8$ L5 s7 p+ |1 e
+ ~/ [8 O a3 o: R7 \ |# N8 A& u
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。+ D7 S! e: w' C0 [7 J: ~2 F
; h" _4 ^' r2 \
从936中随意取一行，例如：. [4 S( B) G$ H7 p, w# @
7 c6 u' I( H2 X& D+ h+ F 0x9993 0x6ABD #CJK UNIFIED IDEOGRAPH% F- g, M. ?6 l1 _6 d, O* m# P
, Q* b8 \. |7 M5 U. `, G- }* G( {1 h 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。
# m8 B9 |0 n4 J: g& O
7 c& b5 S- Y1 ~" x9 y3 n: [1 z 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?
" O1 R4 H- B5 g5 C1 D; z! n5 x3 m- c
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?! L" p8 V9 w1 L) ]! G
9 V5 W+ E" i( X$ a! j Q
例：+ J: S. D$ Z! d2 E* n( u6 O8 ?
' X1 E/ q# M* R4 H9 `, N E4 BD A0 11100100 10111101 101000004 j& t8 G8 l# Q, D, K
0 t, r# R8 w7 Z& i7 c( c4 v2 u1 e
这是“你”字的UTF-8编码# J, M: D, A4 C
! c4 u5 E; G7 q0 I$ N
4F 60 01001111 01100000* {" a0 C* y6 O. d* K/ k
# x# K( ?5 S( M: s, u% x4 z 这是“你”的Unicode编码
$ I1 E h& ?; p) V$ Z$ c. c! X! R; 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。$ `: x/ ]6 O/ N, r' p
* ]5 y% T1 ?/ W$ B% Y) Q7 U; r
以下是Unicode和UTF-8之间的转换关系表：& a# j. b5 i, T2 H/ R
' [3 S' w+ n* E. s! Z% L/ E7 b
U-00000000 - U-0000007F: 0xxxxxxx
* {2 k7 ], N4 B- Y$ E$ T: Q2 _/ A1 ?6 t$ l# s0 e* n: ]1 x# E
U-00000080 - U-000007FF: 110xxxxx 10xxxxxx
, M' {+ S5 h: H; k) }+ R# \* i* N1 t& r6 b: B# t
U-00000800 - U-0000FFFF: 1110xxxx 10xxxxxx 10xxxxxx% ~9 [2 M) Y1 z. r
* I( J$ G( u, t& r+ {; i5 A
U-00010000 - U-001FFFFF: 11110xxx 10xxxxxx 10xxxxxx 10xxxxxx6 @* L' n% ? q, s6 @# [$ e0 F
" ~4 f9 l- |& e% s1 C% c2 ?/ l" T5 U% ]
U-00200000 - U-03FFFFFF: 111110xx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx1 u& t2 G% D8 Z, E
" [; p. Q) e U a
U-04000000 - U-7FFFFFFF: 1111110x 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx
+ J' i- n l3 o: F
5 ]0 v9 V9 q* g) j- 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
| 