|
 
- UID
- 1
- 帖子
- 738
- 精华
- 28
- 积分
- 14249
- 金币
- 2415
- 威望
- 1647
- 贡献
- 1363
|
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：7 `0 i/ x: D7 v8 Y
5 |: ]& A# d" V6 @! \( F* X 1、在中国，大陆最常用的就是GBK18030编码，除此之外还有GBK，GB2312，这几个编码的关系是这样的。
9 y! f0 }6 |- j; ^7 y8 W! x" l8 l, U3 d
最早制定的汉字编码是GB2312，包括6763个汉字和682个其它符号；95年重新修订了编码，命名GBK1.0，共收录了21886个符号。之后又推出了GBK18030编码，共收录了27484个汉字，同时还收录了藏文、蒙文、维吾尔文等主要的少数民族文字，现在WINDOWS平台必需要支持 GBK18030编码。按照GBK18030、GBK、GB2312的顺序，3种编码是向下兼容，同一个汉字在三个编码方案中是相同的编码。* t) c& B5 n: p. q
4 S7 _4 n3 r5 M4 W7 L# {# Y0 _
2、台湾，香港等地使用的是BIG5编码
/ v0 b" c: N) A- L* @: E' M
' P( V' S% e. V' w$ l2 I 3、日本：SJIS编码
' X2 Z! e2 t t4 u. j& M' X- X, c( I
如果把各种文字编码形容为各地的方言，那么Unicode就是世界各国合作开发的一种语言。9 H1 ^' [& ~0 A" a- G0 B6 _# X, u
2 j- \) {, [ c# F$ Y# J 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 |' i- F: m- Y( C# Y! V/ k- B# x, R/ n, S7 X) [9 v, {" s7 z7 [* Q% O
Unicode的学名是"Universal Multiple-Octet Coded Character Set"，简称为UCS。' j) L+ Z$ ~1 q0 s4 l
. U( V8 m$ k+ M. L# I7 y4 Y) k 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
( R' P$ x0 B( x# o2 V- L% z0 y% F( Y' P; w4 K5 g7 @0 ]3 x" O& M E
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! v4 Z% l7 o5 Q3 H* w3 n% P
K' h8 |( Z: 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。
8 P# {! B8 u# H, S# T% [% c
: a m% B, G' Z. _( A p 什么是codepage?codepage就是各国的文字编码和Unicode之间的映射表。 a8 ^" v9 c% `! Z! T+ ?" ?4 Z
4 |2 `1 W9 M" I, ]
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。
0 R' f0 ~' H3 ?- y* y1 T4 g9 L% [. H1 z! d" D
codepage=936 简体中文GBK
, M' R4 _7 Y2 D5 t' f# ]( C
- _5 h% D* u. t; Y' P codepage=950 繁体中文BIG51 m3 Z3 w- ^3 \" z' E3 f
7 c% B% Z& J4 o q9 V5 C
codepage=437 美国/加拿大英语
9 Y' d- ]1 n$ s2 S! J& |) l/ K N- \! U8 g
codepage=932 日文
) b. h1 b0 m. ?" a. _
" C! {$ Y+ J7 T( u% N& Z7 T' ` codepage=949 韩文
! D) A& q C2 ^( |) v9 E& s
5 k, g3 i! W- j9 v* y5 h2 Z, \ codepage=866 俄文9 h8 D: u9 ]7 }8 B0 H
, O5 r( m M% J: ]. F$ [ f4 b codepage=65001 unicode UFT-8
% {! C4 \5 X8 F& g& h" V
2 |0 M; {' N9 Q, H 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。
, N6 ^/ Q2 s1 O6 D
1 r+ d% D' E" V [- z2 Y, z 从936中随意取一行，例如：0 g. p5 ^) ]- O6 r
V' P ?& n3 F! m" |% X 0x9993 0x6ABD #CJK UNIFIED IDEOGRAPH
& r/ h( m5 L3 S, N: ]: r. Z& @0 O& |* m4 i
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。
# s1 h9 c7 z6 u# ]/ M7 e( G8 Y u3 x/ l9 o) ?# u
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 C- v2 o9 ~+ s& ~/ L
: x9 E) @7 t* S, i 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?
! {, w2 R* f4 _3 C& u, P4 ^4 s# Z) J6 ?6 f3 q2 i
例：8 X0 W) y% ?3 U5 G; v
+ Z- p8 E/ u+ U2 L4 V3 g# c* R5 J E4 BD A0 11100100 10111101 10100000' a+ e5 d. ^0 j/ `7 w: D2 o0 G
: V! |* k$ X5 j1 B 这是“你”字的UTF-8编码6 i$ l7 q1 s6 S0 E
1 T/ F2 \' L8 F$ q% z0 a. m6 c: c; n
4F 60 01001111 01100000
) f) @5 v2 ~1 r6 W' D/ A k; M6 i
0 Y5 A8 a: V5 m- Z1 d4 `5 B 这是“你”的Unicode编码3 A- V7 t) N' J( v" _8 w1 F
6 [; g2 V1 G" T1 _ e; i) |8 r* @
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。
6 D) S6 e5 ]+ j6 Q4 `! X1 x1 H) q2 j' a1 G
以下是Unicode和UTF-8之间的转换关系表：! c( Q% j' y- _, `# n
$ G+ Y, j% g9 d0 K6 t
U-00000000 - U-0000007F: 0xxxxxxx; c. @+ m% E$ f* n8 }1 a( T% @
1 b& h |, Z! k/ x
U-00000080 - U-000007FF: 110xxxxx 10xxxxxx
( A/ K/ `4 E7 l5 V8 i! k3 x3 T. ?, U" D) p1 L3 P4 s
U-00000800 - U-0000FFFF: 1110xxxx 10xxxxxx 10xxxxxx+ L: x, F4 B/ e7 } B( ]
- @) S) H# S( E' m4 y U-00010000 - U-001FFFFF: 11110xxx 10xxxxxx 10xxxxxx 10xxxxxx9 v0 j0 R" Q* `
! q0 W' c& O; K' ~ U-00200000 - U-03FFFFFF: 111110xx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx
: O% F+ d# n& c! _/ A" H( B! O& L$ b8 K" B+ w
U-04000000 - U-7FFFFFFF: 1111110x 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx
+ C9 k s" Q p+ Z1 a. q/ d# i i- {: l% b0 b5 B& f$ E' m
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
| 