|
 
- UID
- 1
- 帖子
- 738
- 精华
- 28
- 积分
- 14433
- 金币
- 2502
- 威望
- 1647
- 贡献
- 1450
|
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：
$ b+ z3 Q' y7 \' r% S# P5 o, W
4 g9 W- E; j+ W+ K1 x- A) S 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。5 |! r& D* X5 A! F# b: o
O3 l( J" ~8 p
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。& \$ w9 [% Z5 j% E J* a, H/ z
" s/ L( D' f e/ q( _9 D 2、台湾，香港等地使用的是BIG5编码; m& K8 Y# _% i7 `# k' B
8 z* j- M# G* k% X 3、日本：SJIS编码1 n, D4 I; D$ t! U- \
6 P- l- c3 W5 m. r# f3 e0 m5 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。+ R- `; ^. n& |
z3 [# Y* v5 w6 h; A. O; L4 {
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。+ ?: G, B, ?+ _+ V
7 g: C4 F/ x# l1 h( V7 X Unicode的学名是"Universal Multiple-Octet Coded Character Set"，简称为UCS。$ v' o7 ~* T% O8 M6 R- r
+ L/ s( W2 F7 ~- t$ z& }- }4 }
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2 M2 v) f- E% p
6 w" ]; r3 b8 `4 v' ^ g/ g 20000-20FFF - 21000-21FFF - 22000-22FFF - 23000-23FFF - 24000-24FFF - 25000-25FFF - 26000-26FFF - 27000-27FFF - 28000-28FFF - 29000-29FFF - 2A000-2AFFF - 2F000-2FFFF1 k, T8 [; ?" D" {4 ]' ~7 c
7 Y& _1 @. A; O& {' ]' K7 v 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。- K& F. z) y1 Y. ~9 p4 n& A- n
1 y( ~* _3 V! B8 u* P 什么是codepage?codepage就是各国的文字编码和Unicode之间的映射表。
% {7 K2 g6 j/ E4 r& A7 T) `0 X+ l# A @9 D- I3 l
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。
6 E2 T. u" v/ I6 H- |. w8 R9 w* c# W1 ?5 e2 Z: d; U$ |
codepage=936 简体中文GBK+ _, e% ~9 D: j! r, M. p2 |
: k1 a7 f5 @9 D5 c2 `+ U: u codepage=950 繁体中文BIG5 }( ]! a; g! x
+ f- Q) q+ z$ M4 j+ D* Q codepage=437 美国/加拿大英语
3 k1 {+ m$ m5 _2 Q4 Y/ E9 P/ @! i
codepage=932 日文- B( b5 q0 u& f
" n' }. ^4 q/ l/ U ^ codepage=949 韩文7 d' n9 g* K: I# r9 E& j5 K+ r- B
+ ]% h+ k, v+ N, d( w
codepage=866 俄文
( K z- ^4 U1 z" I( U3 H+ [+ \+ S, i$ F1 h; ^/ c! @$ F
codepage=65001 unicode UFT-8; _* E6 ^/ B7 x: U5 J, @& u
0 L w3 U M- V3 w
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。
. R0 N2 {$ X6 E0 w6 ^) W0 y5 Q
- M& M7 K$ K- P, n: z! S6 s/ O5 p7 J 从936中随意取一行，例如：
8 r2 T$ V4 S* R+ ?9 C$ l s: M: W- I3 ^) K# |- q0 ?; L" ]- `
0x9993 0x6ABD #CJK UNIFIED IDEOGRAPH5 g# V, k+ J- t* H% U
: [: O/ c, d K# ]
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。+ o" w3 M6 W! `' k7 `
# F1 ? M7 Q% y5 r 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?
( v3 b4 I. v3 q( H4 N* d$ Y
- s! c/ O* S& L. X% M4 Y' ~ 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?
( K/ q6 j* s' O* L7 h, X$ K9 d2 ^5 g$ t# o! {5 r n1 A9 f' g
例：
) O' D2 @" N* P% [9 x
5 [0 y# t" g+ y+ @/ \9 X E4 BD A0 11100100 10111101 101000001 a9 y m' @' w% G& E0 v" N
: i0 H. I. k2 ?; N* x* j7 B. f 这是“你”字的UTF-8编码
+ p; y- ]* j$ a+ E8 W' w0 ^# f: M1 X4 Y
4F 60 01001111 011000008 Y$ r2 n. {: Z, u; q4 K5 k' l. @
' g% Q0 ]+ ~! \$ b5 z5 j& f8 ^
这是“你”的Unicode编码; M& n+ y3 y* _* l, G W% }* }
, d" m+ K0 I3 J, Y4 `" j 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( U8 e P+ ^" g. S F# Y' c! P/ G( @0 D
以下是Unicode和UTF-8之间的转换关系表：
! h8 ~ |) r5 c8 _( D- r2 Q6 \ L6 X
U-00000000 - U-0000007F: 0xxxxxxx+ l# U' ]6 i7 z# Z: ^/ b$ y
$ ^, M }8 }* n, R( ]0 e) e( j U-00000080 - U-000007FF: 110xxxxx 10xxxxxx
* Z% j' _- r1 i) c4 z
/ e/ {# t* _6 ~: i U-00000800 - U-0000FFFF: 1110xxxx 10xxxxxx 10xxxxxx7 k. p2 N; e6 m! g3 v
( Q4 g# ~7 F2 X- {' ] U-00010000 - U-001FFFFF: 11110xxx 10xxxxxx 10xxxxxx 10xxxxxx& q, D2 O9 @- l
9 Q- y P7 n& E U-00200000 - U-03FFFFFF: 111110xx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx
" {) i, v2 m+ h/ I' `6 v. N5 k, C
U-04000000 - U-7FFFFFFF: 1111110x 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx8 @- ]+ U- s% s% |# f
% S* t8 Z5 r" t0 m) Z7 N+ K/ Z3 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
| 