|
 
- 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：
6 l. g- d' v4 Z5 p; p/ u& J- C" a3 E8 Q3 ^5 J8 }' \
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。
9 G% C6 q- O: N2 W; Q2 d% k. I. T" m/ {* c, T
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。: w2 L1 H1 Y' b8 _
% Y% z: X. _+ @6 P4 A4 ^9 W
2、台湾，香港等地使用的是BIG5编码4 R2 N2 u8 t R L, n- T, N
2 e& z W# H/ }$ S k. l
3、日本：SJIS编码, w% C7 N# C! {8 i
/ ?6 G+ \! n9 W6 ~ 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。+ w `% ^: Y$ s; E
: B, n9 C% D) t: v0 t* J* [" K% u 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。
% G8 w0 v' T" o) ]6 e) }# w0 @, T* x" c' C t2 [
Unicode的学名是"Universal Multiple-Octet Coded Character Set"，简称为UCS。, p6 y, S$ Y% S k. {
0 K Z4 Q: R1 @# o 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
8 j' I6 g& G7 b( a
: u* e5 a* ^. t, z5 L 20000-20FFF - 21000-21FFF - 22000-22FFF - 23000-23FFF - 24000-24FFF - 25000-25FFF - 26000-26FFF - 27000-27FFF - 28000-28FFF - 29000-29FFF - 2A000-2AFFF - 2F000-2FFFF
* j! y3 U. v% j# m* e- D
$ {/ U: O0 f9 [* K A 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。
+ z' y) |0 Y# l: ^/ V q9 T3 w D+ L* O9 h! a6 M
什么是codepage?codepage就是各国的文字编码和Unicode之间的映射表。
3 N" J5 B- p& g8 O C9 O4 S( i _ s, S. J4 ?7 _% i8 O! 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。
$ W/ s- c" h- o& [, ^7 ]0 P3 p" V2 G. v, ]* ~3 p' ^1 c
codepage=936 简体中文GBK7 @" ~) ~/ D; r
) t8 z8 `( }+ d& j8 r$ O$ i7 b codepage=950 繁体中文BIG5" @( p& X! [+ G [& o5 @
! v6 f6 u( M( L codepage=437 美国/加拿大英语% [) }0 F" H2 ]7 z
/ c- G8 C9 s# B4 U" i
codepage=932 日文
; e) R# x4 m& G E# _2 }( o8 Y# ~9 G' S/ K1 h" Z
codepage=949 韩文
% y% ^1 {0 u/ d# _. f2 S- B9 x l! A: P5 g* c
codepage=866 俄文- w3 _ w; W2 C2 A, _" X8 n: ?
/ ]$ o" v- f6 x/ o codepage=65001 unicode UFT-8
, D0 \6 e$ x# g e0 R; _. F* C j! T2 k! F4 k8 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。* X: ^- K O- d7 y
$ h% P" o3 E! _& `! I; w 从936中随意取一行，例如：
* i+ l8 j k4 |6 ]8 A4 u0 F# B
6 `. i! F; Y4 k. U8 F. K 0x9993 0x6ABD #CJK UNIFIED IDEOGRAPH
6 }4 w1 Z+ J+ L
3 Z& L6 t: D" r! R3 C# e 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。( e( k) `0 o* m3 V. Z H3 v8 o
' a1 `% l% ]/ s/ ~8 C3 l
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?
2 e: a1 }+ h* }. U+ E, P# n4 g) R5 B& m6 A; j9 L6 M+ Q( J! }
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?* x$ a4 e$ ^, [5 @$ _4 f
7 d3 h: S9 Z$ c. y) X 例：
5 K) K8 |1 l+ H7 ?+ [$ X: V+ b
+ M: S" j$ t5 K- D3 b3 U E4 BD A0 11100100 10111101 10100000
' J4 {0 S* j/ w% k
- O7 F h2 Z" `: n/ g- A 这是“你”字的UTF-8编码, U% p$ ~; y4 @/ E! D2 q
2 u7 I0 K& I3 b& F- m 4F 60 01001111 01100000
$ G: t# Z- N# k5 x6 N2 N
# [( |+ X# z* B( }5 C. j$ o: B0 r 这是“你”的Unicode编码
+ Y7 J" d& |9 ?
h; ^) w1 M! `( o' W1 _1 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。3 E) e% w3 n# \' \9 I% G5 P e+ \3 U
* l1 N% ?, G0 V7 ` 以下是Unicode和UTF-8之间的转换关系表：+ a2 t; |7 a C3 V$ n
, e1 X o+ Y* z U-00000000 - U-0000007F: 0xxxxxxx
$ O2 D: A8 W' v$ Z' y( i. V0 [% W3 U2 y, {
U-00000080 - U-000007FF: 110xxxxx 10xxxxxx
: r5 a2 v9 i" G: y# F
# l, N" n* R; f, \0 S( ]3 D& s9 ?4 S U-00000800 - U-0000FFFF: 1110xxxx 10xxxxxx 10xxxxxx/ y* [! d$ f1 a7 W! D5 ~
+ k* ^% G- c" h$ ^; s m3 x
U-00010000 - U-001FFFFF: 11110xxx 10xxxxxx 10xxxxxx 10xxxxxx! M L$ P+ @7 X( Y
% J3 a7 G0 A% [' h4 K
U-00200000 - U-03FFFFFF: 111110xx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx
2 C/ A+ M- E. C6 U
) k: }0 B, T7 ? U-04000000 - U-7FFFFFFF: 1111110x 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx' {. V5 W* P2 [
2 K6 i+ F) P' g$ L: k6 w! W/ j
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
| 