|
 
- 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：9 J- |- U% [$ y: y' r' u" j
j/ R& D4 j4 ^) f 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 p' n; L; H( b1 o1 L8 r
2 E2 W0 L+ B9 \/ P- |/ k
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。
: h ]4 j7 D- a5 O
: h7 c( P/ j* H1 [+ i/ \ d8 v 2、台湾，香港等地使用的是BIG5编码' n. d/ y5 v" I2 v& E- ?
- y) d; \( b/ B2 ?7 n
3、日本：SJIS编码: i$ y! I; d' C) G9 i
8 q5 u' \3 V6 N" G( M# r m# w 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。" y2 T v% z! G4 ` ]+ G
) W& T8 @8 T: `8 [& d7 O 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。
2 ?7 k$ C c) |+ A i9 f0 G
* n7 o- s: [4 V7 j3 f+ \ Unicode的学名是"Universal Multiple-Octet Coded Character Set"，简称为UCS。
" L3 w1 {3 a0 R+ V6 B6 V2 }% u3 G9 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( \4 @$ |1 T5 H, i
7 A' C( O+ Z5 E4 Q" S; N8 H3 @
20000-20FFF - 21000-21FFF - 22000-22FFF - 23000-23FFF - 24000-24FFF - 25000-25FFF - 26000-26FFF - 27000-27FFF - 28000-28FFF - 29000-29FFF - 2A000-2AFFF - 2F000-2FFFF# M, i3 d- }# z3 b; u
8 T, ` U; Y" E5 @. G+ h' \! U, 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。
2 v4 F! U5 \0 p8 I6 ~' { a! C7 x7 w* e
什么是codepage?codepage就是各国的文字编码和Unicode之间的映射表。
4 Q6 z& m. [" J6 W! z: N! K1 ~1 }4 F% g2 T8 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。" E$ f: w( z8 `9 }( f+ r
, \' N0 A8 \* I) o% F! U% u
codepage=936 简体中文GBK
$ N- u C5 I* ]5 y- l" F
, U0 o3 v1 s) y1 s codepage=950 繁体中文BIG5
3 [* {+ V7 h9 d3 @- ~! _7 \( q& b. Y }% _6 M
codepage=437 美国/加拿大英语* y) o1 |3 E4 b" D0 h. W4 `; `/ W
6 ^' _ C M8 F9 Y8 u* b3 P- O
codepage=932 日文0 R. H$ M0 G9 N
( f9 @ u0 t8 e) Z7 \( {& Y0 g
codepage=949 韩文
: E6 ?8 c1 p- _# y" b# C" m
' p2 I; u" p' o% r0 B4 P3 G codepage=866 俄文
- f/ b) H: s) u) b( h2 i) _
3 V+ I' m8 J# s/ C- z codepage=65001 unicode UFT-8" }9 s3 l. f" ?! y/ A
; O; b. G" ]8 z/ g# L3 i
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。
& j+ e8 ^/ a; |1 j) r$ y) u( T2 c' |, E+ H4 i
从936中随意取一行，例如：# w$ ^9 I4 x! Z. V7 ]3 u
2 f) B* P6 l8 y" U, P
0x9993 0x6ABD #CJK UNIFIED IDEOGRAPH& ~2 x. ]$ j0 R" E; s7 }# u
. _1 l: I: z4 |9 n0 V
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。8 R/ h% l8 e8 V+ C9 F% i
* U# Y6 s' F% G0 V- y" w 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 l; I* Y+ O: H# f6 [' }2 T* V
& B, C! N" K' N. k2 ~! A 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?+ T2 `6 t" c4 V: s+ g% U+ T8 Q+ I
* K: J' {$ Q) i5 K/ h+ s, A e/ P 例：3 J1 f8 g/ E- J, l3 h
, B1 o& @$ M1 x* z3 }" S
E4 BD A0 11100100 10111101 10100000
% T& B h$ @9 N4 x1 L) I* g$ O7 y+ d, T1 P- D! }0 }# t
这是“你”字的UTF-8编码
; \+ |2 \2 ?5 h1 m+ L; ]9 T& G
) T& }# V* {* [( O 4F 60 01001111 01100000 ]2 v) |) h4 n0 T0 y
- K& p, C# J/ @" E. N
这是“你”的Unicode编码
5 M8 M0 W0 W. G1 p9 O2 m( B/ S% \! i! h; O" U
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。
* Y; d5 S% S/ r s$ |+ U# F/ `; _' w, {
以下是Unicode和UTF-8之间的转换关系表：
7 u" c# |# I6 A+ q0 L: ]6 U. M7 w/ U+ `0 u
U-00000000 - U-0000007F: 0xxxxxxx" V; U3 w$ @% E( N# h
4 l' f8 ]3 W. H+ l# H8 `4 G U-00000080 - U-000007FF: 110xxxxx 10xxxxxx
5 e( `7 Q, w7 W2 W& j; h; V* C, _
U-00000800 - U-0000FFFF: 1110xxxx 10xxxxxx 10xxxxxx
& {1 \. A7 \$ d+ V4 f: o, D& l9 v* I; g2 g8 `* c' X
U-00010000 - U-001FFFFF: 11110xxx 10xxxxxx 10xxxxxx 10xxxxxx$ j$ W5 B: d" p2 y; {
: B6 R) H. D6 ~* e( a/ K U-00200000 - U-03FFFFFF: 111110xx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx
( P5 _+ M2 d3 H2 _) v- V7 N1 f7 D$ d6 H, r9 T; R0 ^( l
U-04000000 - U-7FFFFFFF: 1111110x 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx$ e' _3 r. i1 u8 V
, m3 A' j/ N0 i6 F* Y3 v
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
| 