|
 
- 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：% |* ^, Z* V: ~+ S, P
* P* r2 R3 f- j) M& `" _
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。, p. e) Y) n0 J" j% J/ _% H
$ f+ A% ]9 R% O: t0 ~2 ? 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。
. w1 f' N# i" u, q- l& d
( F$ [$ E! w" n( u) } B 2、台湾，香港等地使用的是BIG5编码! O$ a D% s" {* S
2 g4 Z( l/ M7 @1 b
3、日本：SJIS编码9 T. D$ d1 C p% o7 y- k9 X- @5 q N
: _3 r; x) {, m! e1 T
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。
: l/ A8 J% i0 ?8 P6 j+ Y ~0 {- V8 ]; n+ m! m
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。: [% |& P" {; \, J# x0 m2 I3 y5 P _
: e2 V% I: e4 V7 P Unicode的学名是"Universal Multiple-Octet Coded Character Set"，简称为UCS。. F4 o* q! g) g
* a( Y& w: r' p; \# b6 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
& a( B( V% a' q" ]( o' l9 Z
* l/ Y1 H, b; n' q1 o9 l+ s 20000-20FFF - 21000-21FFF - 22000-22FFF - 23000-23FFF - 24000-24FFF - 25000-25FFF - 26000-26FFF - 27000-27FFF - 28000-28FFF - 29000-29FFF - 2A000-2AFFF - 2F000-2FFFF
. e. s: l7 L' _2 r2 O2 Y, S, Y' k4 a. s0 T- C
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。
9 N2 i, a7 X1 a7 R/ j
, L; a: w+ _' j H [ [ 什么是codepage?codepage就是各国的文字编码和Unicode之间的映射表。3 {& }+ h4 v9 ^; ~; e
+ L* L# c2 L8 k7 V5 ?/ T; y1 J7 @/ [ M
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。+ R: _3 o0 a# G% @( J% j5 f) I
! y- \3 D9 b; S' q9 R codepage=936 简体中文GBK* s1 u b% ^7 ?; J% R) w3 A. @
5 o0 ]5 s) {: V0 e9 X, z6 l codepage=950 繁体中文BIG5: n/ K( R) f# E* P: i5 D6 H
; M( r! `1 v" G5 K
codepage=437 美国/加拿大英语
3 F5 v( x+ v: x, n% v! x$ Q6 P0 a x- `6 V) d. X
codepage=932 日文
$ C, X% j: i3 G+ V( B4 p6 B$ A
+ J! I- }3 j% i! B& F* N3 q( Y codepage=949 韩文
) ]& s8 c! B) }( [8 o) p' I1 E# u
( q' j; ]! ^+ J/ W codepage=866 俄文
+ v% R* Q+ L; @: Z) ^4 F! [+ t% v. q8 \/ X/ B1 d
codepage=65001 unicode UFT-8% _2 V. g0 W% \* G6 [5 X% j* i
; l% j6 \2 M$ k- u
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 U- L+ p' V8 s" K- r$ }) C: q: |( W; u' j b& D% F
从936中随意取一行，例如：3 m5 g0 x' S) e+ l
3 m0 v3 w9 E# Y m- R 0x9993 0x6ABD #CJK UNIFIED IDEOGRAPH
$ p/ a% X" L% g( }% j# E
& r8 G% o; \( K0 F1 u; i' b. u5 S, {0 { 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。
' B6 }! F% n* G" d% a# {
# R9 B) E0 a9 _9 ?% w6 p& s 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?+ v6 E7 `) T9 z+ \
" y2 @3 J8 k; u: @
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?
3 _' F; W6 b& ~9 X5 l- k# Y5 o$ K2 q: V5 O2 p7 i' W
例：/ r# H2 V2 [, D. B9 Y. I0 O
2 o0 E, X* e0 L/ c* x3 u3 s E4 BD A0 11100100 10111101 10100000
8 ^% J2 ]7 R) ?9 z3 {2 k5 Q; v" }5 G
这是“你”字的UTF-8编码4 e0 T0 [ ^. U, Z1 T6 r9 ?
' S6 z# G2 A; M' H3 j
4F 60 01001111 01100000
/ O8 b4 q: Y/ ^% J6 f. x, o3 n. @7 {8 u
这是“你”的Unicode编码/ B% A+ s4 x+ N! ?: |
& l" m6 s7 Q3 F0 D7 M/ P5 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。% w; x3 F' R$ C
6 C* k9 @ a: Z, [
以下是Unicode和UTF-8之间的转换关系表：$ J' r, M% z8 s6 @: c8 b
$ B4 U% Q3 U6 t- F& p+ C1 l
U-00000000 - U-0000007F: 0xxxxxxx
0 g% q" g. b$ l( l# |8 M; m; ?/ S+ X: l5 w. v' q( N& A9 L
U-00000080 - U-000007FF: 110xxxxx 10xxxxxx" \4 _# g0 H: A. e+ S1 ^ `: t
: m" x: t4 d, J3 d8 H( |6 z2 y: D# _
U-00000800 - U-0000FFFF: 1110xxxx 10xxxxxx 10xxxxxx* |5 J$ {! q* W0 p( V* r" E( M- ^
6 y5 P) [- K3 G6 Y& G3 o
U-00010000 - U-001FFFFF: 11110xxx 10xxxxxx 10xxxxxx 10xxxxxx
3 \1 |: K j# C! w
' V$ |1 q. s# D: q; c U-00200000 - U-03FFFFFF: 111110xx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx
2 \5 }' @; i4 H/ W' c: k* \( b) l1 a1 D5 ]; s. W3 h) J
U-04000000 - U-7FFFFFFF: 1111110x 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx$ u* C9 ~* R" |6 J& _
( B& b. M: Q: G/ N+ g; s; C/ _6 R
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
| 