|
 
- UID
- 1
- 帖子
- 738
- 精华
- 28
- 积分
- 14247
- 金币
- 2414
- 威望
- 1647
- 贡献
- 1362
|
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：4 G) k# I% ]: g
: u5 M7 r; t/ b f9 v# U- A% d
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+ c8 U* ` A$ ^
6 F2 B/ z: z, Z% v% ` 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。
4 M$ u! y2 P8 |/ J# _! M( e8 C* U; e( q ?/ O- n$ B3 n U3 i
2、台湾，香港等地使用的是BIG5编码5 B/ M, e5 O" y/ w: s
5 t$ }( y( ~0 d1 f9 W
3、日本：SJIS编码
a! z$ k7 p+ O6 _, ~$ O% C4 v- g E* r9 z- m
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。
) t+ Y1 s# r8 Q/ T9 I+ b B, n) b1 ~0 ^ A. o9 z5 x
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。
5 {. e( [# V( l' L( u
- [2 M7 I6 j( s, o2 g% Q7 f Unicode的学名是"Universal Multiple-Octet Coded Character Set"，简称为UCS。
: o% T6 J0 N' l- @0 W
& h- u5 W; e) S, u3 ] 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
0 |, V$ ?: J" B9 b( I8 @" a4 ?# L9 R) H+ D% ]- c3 }- P. w0 x) X! K) n
20000-20FFF - 21000-21FFF - 22000-22FFF - 23000-23FFF - 24000-24FFF - 25000-25FFF - 26000-26FFF - 27000-27FFF - 28000-28FFF - 29000-29FFF - 2A000-2AFFF - 2F000-2FFFF' |+ X) I5 p0 \1 Z8 a+ T
8 U- l; {$ r8 A# E/ F; P3 j 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。3 ], X& S& z4 J' N; k5 ^ `' o" H
5 z: Q5 @6 h. g5 A& _
什么是codepage?codepage就是各国的文字编码和Unicode之间的映射表。
: [9 t' e, r3 |# h+ b
6 `% s- g$ C0 \6 K' D/ ? J 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。
1 t* _0 \) t& H5 C" c$ |* i5 S- `. y( c6 {) C
codepage=936 简体中文GBK
, q0 Q m9 K: T" j+ ?: n
8 I) W$ |7 a# c; k' ^# x codepage=950 繁体中文BIG56 V0 \8 w; _) A( U$ f
1 F) x' I/ Q, X3 G codepage=437 美国/加拿大英语
! f; X2 P: @% O! X
. `8 z3 E9 Q+ S codepage=932 日文
9 u8 e9 R- c7 R& C. u1 b, g, t" I& z$ H3 h* a
codepage=949 韩文
* n0 {$ O9 b! P% v( M! A
" [% }4 [2 F% A1 z codepage=866 俄文7 G; T) _- o& v+ g* l
5 t* L2 b/ w+ A+ f, ?
codepage=65001 unicode UFT-8
8 W$ f! u6 @& _/ h6 g' f: k* s3 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。9 o2 g( m7 ?7 h L! H3 t0 H6 c
k4 I5 [: ]0 ? 从936中随意取一行，例如：9 a: P8 @% L: Q! B2 f1 N
( d6 B8 i! f" O6 f. V+ A+ `
0x9993 0x6ABD #CJK UNIFIED IDEOGRAPH
l! Z" ]4 O2 ]8 ?) U9 |6 w% R5 A5 j4 h
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。
2 ?! q5 R! I" s+ p" |; P) a! p+ b- j- M3 R- [# ]
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?4 Q; u" z) u1 [5 e( t9 c1 n
Z- J, ~6 X. y' o" t 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?
5 Z% ~2 G- t7 H/ T* ~8 ^9 ^, E: q# n% ]
例：
$ w1 H) c& ]; r1 s- {/ _9 z/ F# G* v( h/ D
E4 BD A0 11100100 10111101 10100000
7 ^: D7 h) B; U# C4 |; ?) `7 e8 p' C
这是“你”字的UTF-8编码
2 b) `/ m8 J' {; O( G
M( E6 [/ X- h6 z0 r 4F 60 01001111 01100000
" T2 B) `0 t& T" s9 J- _" o
Y$ d& { _8 [& d3 m2 R 这是“你”的Unicode编码
* V. f5 F. c! z7 x+ F
9 [- }/ f( Y0 }, U7 T( V! \5 _ 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。
$ r0 C L; H7 p; F( d; k! j, V2 s: C# n9 |, \
以下是Unicode和UTF-8之间的转换关系表：
1 V4 P) p; p( h0 ]- ~4 j6 u$ }/ n: x
. w4 e9 G3 C' @8 a9 H. K+ M: K' n! n U-00000000 - U-0000007F: 0xxxxxxx. Q4 G% ]! S8 \7 ^6 M1 Z# P: P
4 n* \& a1 Y, r- R9 Y U-00000080 - U-000007FF: 110xxxxx 10xxxxxx
+ D1 `- }1 c1 {8 L) m) R' f% P7 S8 W+ c# ^# P2 @
U-00000800 - U-0000FFFF: 1110xxxx 10xxxxxx 10xxxxxx
+ n0 N1 E) J- t
8 d# y) @5 a* d8 J; t$ R% V) x U-00010000 - U-001FFFFF: 11110xxx 10xxxxxx 10xxxxxx 10xxxxxx
. P) N! d9 R5 \3 v8 x3 Y4 r7 N9 i/ f! ]) |& a# T7 x" s
U-00200000 - U-03FFFFFF: 111110xx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx( A* ?! N! U* W: ]* e: S
X# F) J3 Z" q& p5 S8 N" h U-04000000 - U-7FFFFFFF: 1111110x 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx/ A* C! X2 z m" y
0 @3 `1 O0 N3 f1 |* Q9 J7 @( ?
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
| 