|
 
- 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：4 s: L `; s) Q$ ^
( X) o9 N% @. o. H! s% s2 d3 T
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。
- {! Z& S' Y0 l5 F+ z# R* z2 P( T5 M+ ~6 B+ G. p# P
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。* l5 p. X" ~9 X! s6 T' J- W
, k* t) e/ H) R! y 2、台湾，香港等地使用的是BIG5编码
9 D+ Z/ i+ i$ e: K6 f4 X5 C/ v" J, _" u! C
3、日本：SJIS编码. i- w0 i1 u$ b% w# G7 h
' Q5 I" E# [$ ]& N1 C 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。: ]0 h# a0 ?0 O- ?8 b/ R2 u) h
y% ~* \! Z8 A: 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。. ~& l( e; k" N
3 [$ K0 U! K- @8 g Q& ~% G( O
Unicode的学名是"Universal Multiple-Octet Coded Character Set"，简称为UCS。
E# \- Q2 E7 ^9 G% r9 I
& S0 E# H4 B! [) d& z 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% |; x1 @% `0 t) L: T
5 J, X5 k0 n/ e) j3 g 20000-20FFF - 21000-21FFF - 22000-22FFF - 23000-23FFF - 24000-24FFF - 25000-25FFF - 26000-26FFF - 27000-27FFF - 28000-28FFF - 29000-29FFF - 2A000-2AFFF - 2F000-2FFFF
; }* u7 O0 Q! T7 I9 R3 r0 A
G3 a4 t* D' ?5 d+ O1 D* R 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。
6 w9 S, b5 }2 y5 T
! D5 z; ^2 B* k0 o7 Y, } 什么是codepage?codepage就是各国的文字编码和Unicode之间的映射表。, z- r& O( W' m1 G
) S7 o7 W4 P; r) d2 f 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。
8 K9 r6 l- P$ I% `+ y" g5 p2 I5 e# {+ B0 J: a
codepage=936 简体中文GBK/ W+ C; ~* t% @$ b
; M/ }. _7 H" Q8 e7 e
codepage=950 繁体中文BIG5' m6 A, ]% [" `& E- _ ]7 b
& C" r5 a* w, U* h+ S9 n3 r codepage=437 美国/加拿大英语8 W- L3 V R3 V
6 P! ?9 n# l2 z9 l5 P" T" r: _ codepage=932 日文' Q! u L7 v/ j" {) e5 l
/ t4 P# ~# W; p/ l codepage=949 韩文' G+ }' O' i+ a( f: `
* S- o" g F/ s9 K/ h
codepage=866 俄文
$ i5 Z: i/ \' d
2 F8 I' `3 {! R! ^2 l, @+ \ codepage=65001 unicode UFT-86 N, f2 J" E; \- V
7 Q" Z5 @& d3 V5 U" j
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。
/ C/ n/ ^. n" S+ q% F7 R( ~0 m, D/ j# { Q, [! J* f5 C6 f
从936中随意取一行，例如：9 N) g0 f: v' x( O
* x' J1 K0 j& o9 m0 f 0x9993 0x6ABD #CJK UNIFIED IDEOGRAPH' h2 B& R R0 ~
! a! `- w5 N5 Q- q
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。% P# j& u- h6 H
+ x6 y, I9 C7 B4 a! `4 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 R* d& [$ G9 n8 Z9 A7 V$ o
9 _; P0 d3 h0 i6 n$ ^8 J, Y1 S 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 h" N3 ?2 g$ v8 @
8 o# H1 X% p% B1 d* r* y( ^ 例：1 {4 E3 [3 W1 x' n
) C. @( n6 ~. C' W
E4 BD A0 11100100 10111101 10100000
! E$ `) b5 J2 S- a9 X3 v4 ?( T
1 ?1 |/ O+ S3 t! F; x( W 这是“你”字的UTF-8编码
4 e8 Y( f h4 h( m, Q
. U& j* P7 ?6 o$ I* _8 c 4F 60 01001111 01100000
) W& [$ K) T1 r0 ]1 J9 @& Y; q8 @2 A. \
这是“你”的Unicode编码3 M: ?$ c' I+ r" M& ^# m5 @2 D6 ~
4 U* R" L& _. E3 t! y7 j0 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。
6 ?/ l X4 B3 f
% b U% G7 ^7 | 以下是Unicode和UTF-8之间的转换关系表：) ~- a& `# r Z) \
6 n, ~; o0 e+ a! Q) z: j
U-00000000 - U-0000007F: 0xxxxxxx6 k, U7 j8 p. x1 y' c5 B
9 o* R2 k' e! d# `3 }/ r U-00000080 - U-000007FF: 110xxxxx 10xxxxxx
% Q3 o, U3 f# t0 o% @- J. V* C: R' W G5 ?1 s
U-00000800 - U-0000FFFF: 1110xxxx 10xxxxxx 10xxxxxx
) R8 x4 v$ n) h' M ]. y9 Y( e
8 s$ g! k3 C) j6 j# @$ {- G+ j U-00010000 - U-001FFFFF: 11110xxx 10xxxxxx 10xxxxxx 10xxxxxx
7 ?3 w0 z9 {- a' M& H
' z6 f) t4 _+ H U-00200000 - U-03FFFFFF: 111110xx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx
6 g( L9 p" Z1 G; H& |2 Z7 m4 X+ J% G7 Z& ^% }) s
U-04000000 - U-7FFFFFFF: 1111110x 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx
1 x* w$ j* ^2 R; K' L) q- |0 _7 K; c3 e
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
| 