|
 
- UID
- 1
- 帖子
- 738
- 精华
- 28
- 积分
- 14197
- 金币
- 2389
- 威望
- 1647
- 贡献
- 1337
|
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：- K) U# a, D; h& F/ `* R
4 c1 E0 e- {; t- V3 E 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 T7 S5 p z* w6 R
% T0 R9 D; I- f. q5 {3 |. u5 d( |$ 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。# B0 h i; A$ O% @' u
; o3 t. m* G1 J5 H& E 2、台湾，香港等地使用的是BIG5编码* L$ ]& N/ \( ~: Q3 {
x( S8 w- }* Z1 t 3、日本：SJIS编码
& a. P; e7 D% o+ [0 ]( q. G
7 y3 k& f+ R5 ]7 f# E 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。) g- U6 k7 e! p, a$ v7 S
0 x* r/ D( @. `( R0 }' D* Z- _
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。
8 w( E6 F, y$ s2 T5 z, a
; K8 w! a' b! s; p/ M Unicode的学名是"Universal Multiple-Octet Coded Character Set"，简称为UCS。, Y6 d0 p9 J# \3 p& w1 P
! i( v, S* S5 L6 F# z! [ 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; n3 k* \1 W P
) ~9 r4 t5 g1 ?$ O8 Q+ ^7 w 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$ n2 E9 L9 K& F0 b: R( y
# J- _ T. d& Q6 `4 K 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。, g3 @0 _, d2 K- ~$ i4 V
9 j0 S, _- h( {* j: O1 y 什么是codepage?codepage就是各国的文字编码和Unicode之间的映射表。
: Y( G! t# w+ F( n6 z. y! s1 i/ p
$ _. ~4 ]$ n; T1 Y 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。
3 I8 b' R8 E- |- ]: z
; i' ?* W9 d* Y3 d5 N( R codepage=936 简体中文GBK9 \/ w) e5 U3 M
4 H9 y; w8 {/ X' f9 ?. E
codepage=950 繁体中文BIG5
7 a# g6 \ u% J7 c3 I
. k" k3 _# C+ ~ codepage=437 美国/加拿大英语
# q3 g: S2 E# q4 v) S+ J
5 [/ p5 y9 H+ H" l codepage=932 日文- T/ T" L2 s6 F/ w5 z* F: E( J, O! `: r
2 Y# U/ I) x" |5 R& f% t codepage=949 韩文2 S5 u5 R: H8 j& G, |' Q5 a& r/ E( R$ j
" R+ m+ W) Y0 q* [# w: I5 V0 l5 }
codepage=866 俄文0 r/ F0 R% u( Z1 k0 c' v+ Q
. Z4 ]8 c6 ?- ]6 \. g: y$ M& `- p
codepage=65001 unicode UFT-8& |2 Z- W) D# t! ]
! e2 U- U2 O$ j' }5 c/ E4 A! T
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。) s! e7 R9 S) j9 F/ X7 m6 I2 ~
6 x& @7 E: x( c7 j# q 从936中随意取一行，例如：( Q3 S9 m: U% M1 v
7 _8 A* B& c1 p) k: E) u1 [# v+ N3 S% c( j8 u
0x9993 0x6ABD #CJK UNIFIED IDEOGRAPH- `- {( C8 a" @! R8 y0 @
/ \- R9 v# Z H7 K6 v
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。
, O6 [. O$ ?0 R) ~# N% X# B9 B
8 O+ s0 E' ~# J5 D' 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?1 n7 h) ]2 v; w4 i7 w& e
$ ]: M/ y5 n) Z
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?; t- M/ v- U- u! i( `. |% r
! n3 j1 y K4 \
例：
( |2 c+ B7 R3 X( N! U' Q3 ]5 Y2 P1 A$ H) k- y" i
E4 BD A0 11100100 10111101 10100000/ Q- ~ I0 |! B! S
, s+ I9 A3 V4 J
这是“你”字的UTF-8编码
: p0 D2 c. Z: O" v) A9 u! s9 Y
" a# d( h( M; U# S5 q 4F 60 01001111 01100000
9 h1 ?4 D4 P4 n5 ]: L" E: S
6 J) ^6 U D4 m' F 这是“你”的Unicode编码
' L1 Z% U+ o# r8 y- u( o: ]: V0 z: K1 q* s2 D
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。& r: x- n8 x( P2 ]: @: a
' b# u9 A% ?4 A$ ~: h 以下是Unicode和UTF-8之间的转换关系表： m: P9 Z6 S9 M7 U8 `* k7 y W
- b* S$ ~8 @; G5 |
U-00000000 - U-0000007F: 0xxxxxxx& [% A. z; R) i5 h
0 p0 k( q) ~/ K) T M3 t U-00000080 - U-000007FF: 110xxxxx 10xxxxxx1 k$ N2 o7 C) O- e% R
) ^ Q" `. T9 x- o# [- ~' v
U-00000800 - U-0000FFFF: 1110xxxx 10xxxxxx 10xxxxxx
+ P7 U2 F' ?0 m. k9 F" E! D& y0 f2 l; r) H. \
U-00010000 - U-001FFFFF: 11110xxx 10xxxxxx 10xxxxxx 10xxxxxx
) `$ N9 v/ V8 y' o
2 J0 ?8 \; `2 h u! F- L9 B U-00200000 - U-03FFFFFF: 111110xx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx# A' A$ H4 g$ ^6 D4 }
) x( E% r% x9 W* ] U-04000000 - U-7FFFFFFF: 1111110x 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx
1 q# _, T/ O5 G2 t3 i8 _
. B5 K5 Y3 T B$ Y$ Y$ |+ d7 g( e+ H 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
| 