|
 
- UID
- 1
- 帖子
- 738
- 精华
- 28
- 积分
- 14443
- 金币
- 2507
- 威望
- 1647
- 贡献
- 1455
|
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 s3 [8 @ f2 k
) h) _$ u4 v1 j8 x; v8 P) 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。
# I) J% I: B9 p* Q, }# D
* X0 [3 ^; M" L) Q6 m2 _ 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 Q) Z' j/ A+ h, ?% m5 Z
+ _# m. G" z' K1 T1 V% l: { 2、台湾，香港等地使用的是BIG5编码) k9 y4 d7 e- J1 t+ i
3 g- j+ f8 p5 p& C: W4 K+ ~3 O
3、日本：SJIS编码: N& M' y" [8 w% b& B% O* |+ i0 O
+ e. t( |6 m! ?7 t4 N1 h 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。
% s" T. y! p6 d: |. T! i' Y5 B$ 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。% N% |" W, R6 n$ ^# g
* M* m0 O/ U K. N/ _ Unicode的学名是"Universal Multiple-Octet Coded Character Set"，简称为UCS。
5 p3 b5 n* J1 A: I, `
; s0 ~9 e! I. Q6 j1 z1 m 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2 s! j2 K1 W' Z- Z! M3 y O
" M. Q; t) y0 x# U 20000-20FFF - 21000-21FFF - 22000-22FFF - 23000-23FFF - 24000-24FFF - 25000-25FFF - 26000-26FFF - 27000-27FFF - 28000-28FFF - 29000-29FFF - 2A000-2AFFF - 2F000-2FFFF
- C( F. i/ a2 Z4 U0 @/ E* L" H' Y3 D$ 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。
# P: ^- h! r1 w. ?, U% o" {; M1 a0 @5 f. o7 W2 J0 p0 `
什么是codepage?codepage就是各国的文字编码和Unicode之间的映射表。
L& N8 s- y; i- m" f5 `7 G( J" r" v* {% 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。
2 u6 H& G, T1 X$ d/ [
$ p$ \3 @ B" ]1 y6 a4 } codepage=936 简体中文GBK$ G @, S6 o0 G8 u, Q
! T- {; U3 H! I. ^
codepage=950 繁体中文BIG5
5 \; p: n2 f7 n' o8 ~# f" Y( i+ k4 ]8 [7 [; w2 C
codepage=437 美国/加拿大英语
) [( k% u) M0 ?1 W) L8 _- O, D! h O0 y4 y5 |7 {# Q
codepage=932 日文
6 d7 m# A: S' e0 Y1 g
) t2 p7 J$ b" p codepage=949 韩文2 ]& I3 Z2 `4 M; m3 i# a3 Q
: U) f7 U& W* V/ C. W; A- E! [ codepage=866 俄文1 X" v' s0 W+ N" K9 ^5 w
& m3 w& j8 I6 m' X' E2 e: }
codepage=65001 unicode UFT-8& e4 ]1 d$ a5 O
" U: Q' g+ R( B* b
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 ^) P K2 N3 V6 O2 J9 ?( m) u8 X
" u2 h+ X/ o' s
从936中随意取一行，例如：' |5 c+ Z7 E* n
6 C1 ?6 S. j* n( }" a6 X0 r
0x9993 0x6ABD #CJK UNIFIED IDEOGRAPH3 g* x u: L4 r" {
6 G1 _( d% g0 u7 j
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。1 _% n" H: ?: _5 `! ^/ L) |
9 p' p& O7 }+ I( {" W; Q 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?; c' a4 A- d8 D* K+ b8 D* k; o
& _% b: v( ~9 R. U: o$ |$ R 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?
$ P0 j# Q5 p0 g! g6 ?
" I8 x# i( N1 k6 H# I4 h9 l' W 例：
- P {: ]6 E! e9 P$ O* z
/ \' R9 H! Y* ^0 J2 P E4 BD A0 11100100 10111101 10100000- e$ W# ]+ s3 y+ L& |
$ j, Q9 x3 L U2 A* B' h* v" b) E 这是“你”字的UTF-8编码
2 G) d: B* | N' x- @
! T( [( s' W8 y* p( s" Y 4F 60 01001111 011000000 T% ^& o K2 X5 h a
9 S# O3 ?0 A; j9 B+ a3 o' I
这是“你”的Unicode编码 C+ ~: ^ c) N7 H
% A5 j0 J4 ^+ G1 E; f
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。9 l, a/ X$ O U" g. U3 j
# t) L, ]4 k' C) K: v/ J' R; K, r
以下是Unicode和UTF-8之间的转换关系表：- g, S b9 G; W5 @% F; C
/ G# m4 D* W- G) |! h' N
U-00000000 - U-0000007F: 0xxxxxxx
# `1 L1 | K9 c) t2 i) a* O0 F' v
U-00000080 - U-000007FF: 110xxxxx 10xxxxxx6 n( |% A6 p0 V, U! h
! ^6 w2 x ]8 N$ A% |
U-00000800 - U-0000FFFF: 1110xxxx 10xxxxxx 10xxxxxx7 W8 w/ o; L! d7 h+ R% Q/ \
. {: k9 q( q) e. H3 e8 d& w& R U-00010000 - U-001FFFFF: 11110xxx 10xxxxxx 10xxxxxx 10xxxxxx
& y9 j* w+ ~) E
/ i6 |, M1 B! m6 M( f/ ~ U-00200000 - U-03FFFFFF: 111110xx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx5 h8 g( O/ B8 |, y/ g& D9 a
1 E) ^, H: W% N2 y
U-04000000 - U-7FFFFFFF: 1111110x 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx+ E2 s' ~) I. |
* u* }- I8 W, n# j 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
| 