|
 
- 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：
3 o6 @! C. l# v ]* I
7 T7 u5 j/ V& b* o8 R4 ?: ]( N6 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。
4 q0 B) s/ @) u3 I* ~! X7 S# c% P! O- K, b+ |
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。
; l' H9 ^' i/ R* s
0 K; r$ E$ |/ G: ~ 2、台湾，香港等地使用的是BIG5编码$ R h. `/ J+ }8 w: Q4 Y- [. O; Y
2 U9 O$ ]$ U6 S8 ^
3、日本：SJIS编码5 t U+ D$ m6 ~4 j6 E: S4 _
+ c3 a+ {: e! _8 J6 L" O
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。& g6 S: s- e% G+ l# l
! Q0 {, K( _- Q/ g7 c+ p: u. c/ G 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。 {0 r7 w7 S- h
0 J1 I2 ~$ r! u6 h Unicode的学名是"Universal Multiple-Octet Coded Character Set"，简称为UCS。
( l" i# I$ o% j( U
5 r( B8 W4 B5 l+ a. z9 M) g+ _ 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1 Y2 f6 R2 G+ o7 t( k- E
0 | P( t& c) p/ M: }/ l5 |
20000-20FFF - 21000-21FFF - 22000-22FFF - 23000-23FFF - 24000-24FFF - 25000-25FFF - 26000-26FFF - 27000-27FFF - 28000-28FFF - 29000-29FFF - 2A000-2AFFF - 2F000-2FFFF
0 _, X7 H3 E0 H; q% P; H' U9 Y+ T }/ i% p% S* G& A7 u% e$ 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。' b' j9 A/ p2 H6 O4 }
) Z( h" f( d% _3 w 什么是codepage?codepage就是各国的文字编码和Unicode之间的映射表。
' h' o7 L, ^4 N( V
' u- |& L9 M4 }3 B6 v6 p$ L; o3 c 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。
) [; Z" D6 I7 x5 K% W/ v* G6 T" I9 s
! G" f7 Q# f2 \2 } codepage=936 简体中文GBK
; A' f$ F7 f) ^. U; V
* K0 }' m# @& g6 Z6 e$ o codepage=950 繁体中文BIG5$ B% t5 S7 Q+ B2 D
4 K1 ?3 b+ G9 P& c$ W2 B7 s
codepage=437 美国/加拿大英语2 L( W' @' q1 t6 D) d5 N0 \; p& |
& t. A; g$ C+ I( b H5 y$ l codepage=932 日文' n' M8 k, E7 L% y5 |! L
) M. H: F) I, M; j5 E2 X codepage=949 韩文
) L9 H) d) I8 U$ m4 Z& x- n" S1 e" o8 o, B" Y* ] Y& f
codepage=866 俄文" o* d% t. X' R( T7 s
2 y% u3 Q# f: A l
codepage=65001 unicode UFT-8
p6 q/ t; W2 _& ]+ |# m: a1 l( [- s7 f- n7 @+ P1 N7 q
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。: @0 [4 u, b- _) u
, T9 N) R6 J& [& l
从936中随意取一行，例如：
; X5 e9 U% x: G3 `" }0 ]8 e: w7 k( O9 X! B" \
0x9993 0x6ABD #CJK UNIFIED IDEOGRAPH; r) }6 A* @' l' j& i
- T' y/ j$ H" L+ a. X; C( w& C# h, 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。3 T% H' E5 ^' g( ~4 g
; w/ ~( k3 P n' g/ 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?
8 H. B: `. ^1 U; w
/ P. c# `' c# b# C9 P: v3 R 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?
2 h+ t$ a9 F. q* A6 `- ]0 b* X% g9 J# X/ o! P5 ?9 K
例：& J) [! p' ?$ `/ g6 h
( A1 i6 V' E: v) v: ^' r& M
E4 BD A0 11100100 10111101 10100000
$ j8 s2 f, `& D4 Y* u
5 ^) X( v" [" a L- V 这是“你”字的UTF-8编码: @) ?0 J! g# v" p8 w
+ [2 h% m% ~, [* a& ^
4F 60 01001111 01100000( \- V/ _9 [5 m# |
( V/ D! M9 s! W$ o) w" G 这是“你”的Unicode编码
3 [) q# Z5 X# _5 K% k3 f5 t
3 w8 E* _& d2 N! 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。. H* l9 P% \. D, |. |
' _& \( l! z9 b" S 以下是Unicode和UTF-8之间的转换关系表：, M/ l+ v% z! G
) H9 |, c/ b3 \5 W
U-00000000 - U-0000007F: 0xxxxxxx
3 Z: e+ D$ h4 k: b) _) \, G0 L% ~* t o) }9 n
U-00000080 - U-000007FF: 110xxxxx 10xxxxxx- e- ~3 f: I G0 i5 |( i P
9 B; ~4 v7 f/ P
U-00000800 - U-0000FFFF: 1110xxxx 10xxxxxx 10xxxxxx
* x, P0 ~; _$ U7 B. D; Y! s( ~% f! i& s; A7 _
U-00010000 - U-001FFFFF: 11110xxx 10xxxxxx 10xxxxxx 10xxxxxx
U; N( b3 D( u$ O; g3 U' m* r B0 @( ?- b+ [$ t+ a# M5 [, T s" ?( p) b
U-00200000 - U-03FFFFFF: 111110xx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx
, }* F; U( q* e% D. i" P7 {! I) B4 H7 f+ w/ n. ]& x( V% M
U-04000000 - U-7FFFFFFF: 1111110x 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx0 p8 e& I& r6 t1 n# A7 m
* ], O1 N( J, H9 D1 B9 Y' u/ ]7 \ 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
| 