|
 
- UID
- 1
- 帖子
- 738
- 精华
- 28
- 积分
- 14389
- 金币
- 2480
- 威望
- 1647
- 贡献
- 1428
|
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：. v# E; R& k) @- F* h* J( ?
/ E- r& }; E$ H' b Q3 v
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。! l7 F2 S: K- q7 j$ W5 H
* c/ h/ B1 [1 G' y+ x* M$ e 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。
; J5 N0 h4 j. X$ }3 j6 b2 S- h: W- Q7 W5 ?. E+ P6 P& f
2、台湾，香港等地使用的是BIG5编码* t/ m; |$ n! D2 d
% D3 P( s2 e$ A% e; f9 r 3、日本：SJIS编码& i" G/ [) B- h7 q0 Q; r
, k& m$ m, J i, P; a' p( i 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。! i2 }! \2 Y+ t% h& @/ D
& \9 U W! _8 A& u& p
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。
f; }+ `% t& f" h$ o3 |% K; f" r6 R: \2 t$ B
Unicode的学名是"Universal Multiple-Octet Coded Character Set"，简称为UCS。1 K! k# y5 L7 u3 L% |8 f V
( H. w* `2 K7 u( q2 P1 _7 u
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" R% ~! L6 y- g
' @4 M7 j7 F# U% M% `% W# q& G- F 20000-20FFF - 21000-21FFF - 22000-22FFF - 23000-23FFF - 24000-24FFF - 25000-25FFF - 26000-26FFF - 27000-27FFF - 28000-28FFF - 29000-29FFF - 2A000-2AFFF - 2F000-2FFFF( Z3 |0 _! [( \. u" a
; s3 k" [ C4 n, x+ i& i: ? 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。
' }1 T% o% z( f( A5 w! q
) S6 t/ |/ f0 K7 r7 P: N7 i; { 什么是codepage?codepage就是各国的文字编码和Unicode之间的映射表。
* R1 F( F" M0 X$ n# I+ b, F$ e/ G+ H0 W
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。4 e+ Z, T/ }0 A1 m
2 X0 \ z. i' T1 f' A/ z
codepage=936 简体中文GBK
1 m5 V5 P# `4 x2 e" C% o% V
, u1 D o; I; i codepage=950 繁体中文BIG5. w Z. g9 g& U/ @4 h1 g
% E. w" e {; G1 R$ I5 K9 d# Z codepage=437 美国/加拿大英语+ @" G& `, E# ? v3 r
( Q8 u: G: R9 r& d codepage=932 日文( m. F- Y/ a5 G. I' A
; {) @' N2 [' ^' j9 H codepage=949 韩文. @+ l+ x* c! h9 ?/ o; i4 R
^0 g- F6 y, @4 t; u0 b, Q7 K
codepage=866 俄文% Q( W7 E5 L* e( a8 s1 G8 {( J7 `
, `0 P4 d! J1 h, [' |3 q! C; Z l+ ~ codepage=65001 unicode UFT-8
' L7 `6 I: ?' M K( C3 T, N. S# o5 p8 R9 c2 q1 F" L
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。* k `8 a( ?3 M) e' [, T# ]
% ~/ C' E0 G1 k+ q5 @
从936中随意取一行，例如：
# a/ k; w( h7 B/ t& }& U, _! B4 A$ {% K3 R, C' k
0x9993 0x6ABD #CJK UNIFIED IDEOGRAPH
. K$ z2 J$ w% r& P+ n. {. t0 {( W% \1 h j- ^/ ~% p
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。
0 d5 g) B6 s. o& T3 a2 I6 S% H4 S
& J" @, V+ o/ O$ Z5 Q, B 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 N4 F0 m/ e, `4 C/ e
* L5 v( z3 I) x! O' ^ 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# l6 Q% @' u0 L$ b3 r
|. k- ^: f/ x9 l# ]0 @0 g 例：
0 g. a+ Q# I8 Y0 [2 d% G0 _" [! Q/ ?
E4 BD A0 11100100 10111101 10100000
, _; R5 |4 C8 O* L9 k
- c7 @" z8 g( p1 k) a/ W. L 这是“你”字的UTF-8编码
: c& h+ v0 q" {* W O7 \9 v
5 Q l0 V ]0 d0 o4 f 4F 60 01001111 01100000- i' B/ j4 U0 `. R" K! m
3 @$ V9 U: |: A$ V& z
这是“你”的Unicode编码, K4 ~" Y$ L' A- R
0 R3 A8 h" y# I1 v" {9 b* x
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。. k3 N0 n: P3 c
) Q- J5 [* Z& _$ g. ] 以下是Unicode和UTF-8之间的转换关系表：
, @% c! b# A# J! ]/ H
7 j* W' F# ?, C* d" P9 J6 ` U-00000000 - U-0000007F: 0xxxxxxx
' @3 Q6 O9 `$ l4 F- s
1 Y( ~/ y/ z1 ^8 K U-00000080 - U-000007FF: 110xxxxx 10xxxxxx
2 \4 M1 a9 Y$ |* k: q; }0 @+ l' @9 ~, x& d d+ y
U-00000800 - U-0000FFFF: 1110xxxx 10xxxxxx 10xxxxxx
4 }' b1 f% H m: s& }- c. y* r5 O8 L: z
U-00010000 - U-001FFFFF: 11110xxx 10xxxxxx 10xxxxxx 10xxxxxx- G- c% A! S, j- _3 l
3 W- `+ T$ S# u* C2 Q4 A
U-00200000 - U-03FFFFFF: 111110xx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx& W6 u: t+ e2 I$ d# F
" o7 Y+ v$ J- R8 ^) J
U-04000000 - U-7FFFFFFF: 1111110x 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx
$ k5 U+ g c4 p1 S- M
$ B1 p. ^5 U' T: | f) o9 R( B2 [ 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
| 