|
 
- 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：' `; R3 \9 O5 k; q# k
/ c" o8 w& c0 _6 l6 g1 U8 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。
- a& ]2 s5 E5 E* C2 M, o, o) W1 H$ h: R8 T, X
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 p2 r. p/ h# _6 Q" |" A" I" Z g& u( F$ R+ X% F8 J# j
2、台湾，香港等地使用的是BIG5编码
* L |; l. j! F# Z" c/ p2 H
8 t. |! X3 J8 B" ]2 ` 3、日本：SJIS编码* E& ~# H' k) \6 V: U' {; {
1 u* k* \% c0 |% F
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。, n* v3 x! ^& _: K' T2 s# r
$ P! u* c+ _! ?- m; E5 V
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。
\; \1 y6 o2 g/ A! T5 B. Y+ |3 b) z
Unicode的学名是"Universal Multiple-Octet Coded Character Set"，简称为UCS。7 b$ N& Y/ m" W" l% ^2 Q
' K3 B. j: J( q0 ]6 o1 y7 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) x8 Q6 n4 ~) @- x
0 ^9 r3 X/ W3 L+ ~ 20000-20FFF - 21000-21FFF - 22000-22FFF - 23000-23FFF - 24000-24FFF - 25000-25FFF - 26000-26FFF - 27000-27FFF - 28000-28FFF - 29000-29FFF - 2A000-2AFFF - 2F000-2FFFF+ H7 w) v, s# _0 ?# A
4 Z8 p4 {9 p; ^2 c, T: n 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。& z. `0 r+ N' K, B
* w: l* X$ ?2 t4 D 什么是codepage?codepage就是各国的文字编码和Unicode之间的映射表。
8 e, n: g# p8 _8 [7 \% P, w3 d! E/ P+ 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。
6 g( D8 z1 s8 y- G% `1 F0 o6 m% _: h! f& H$ O% g6 _; y: Z+ P- U
codepage=936 简体中文GBK+ l' X9 I4 l# j. @4 s5 m
. Y2 U- N, S( s( e+ b
codepage=950 繁体中文BIG5
# _+ l5 o; Q7 |) v
) Q9 b/ [: S) H# o2 J4 V codepage=437 美国/加拿大英语
0 a, N" A& |$ B% D
: V- t6 b3 B4 [( P% F) B4 x& e" s codepage=932 日文3 `. h# t n8 Z6 Q p: q o2 k
1 q( @( ?' w( u3 e1 c' W- M
codepage=949 韩文2 H" r/ s% |! {
& G n) m2 b5 I0 {& y- `* s
codepage=866 俄文
+ a4 Q$ F+ h# `1 J7 ? n4 @
- x1 K: X. C$ Z& |9 V codepage=65001 unicode UFT-8
2 x4 A5 ]) b7 p. t$ R. s, i x. c+ k) G
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。
2 Y, c* U* V! W
2 O# P9 l" S/ O! `& H/ l5 n 从936中随意取一行，例如：1 _( \5 f! `( S) d: s1 o Z
, E5 n1 d' v! s/ q4 I
0x9993 0x6ABD #CJK UNIFIED IDEOGRAPH* n5 W# q2 @" R
$ @4 v; ^: V' p6 Q' m" ~4 D1 B 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 h7 `. `* g( W; p k' v
1 V: w, m1 l# T1 j$ b3 } 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 ]8 w8 t, r: Q. U( Y/ k. j1 S
( d3 S7 _! n) n. C* 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?
8 g2 R) |( d) _5 Y- B$ v h# a
* I n. `' I: |* b 例：* w3 W" B0 g, A
. |. E6 S- H ~- h E4 BD A0 11100100 10111101 10100000
, W2 E2 N5 Q/ l* a4 K, {
8 n- z0 L/ @, F! `: S2 E 这是“你”字的UTF-8编码
- |+ G4 Y" D. @4 h+ M/ y+ N( T7 l8 c
- ^7 f, d3 f; W! N6 G& | _4 m 4F 60 01001111 01100000
, g7 h7 o5 K0 m! `$ k
% j+ x& i) H/ b! ^6 }& o; O 这是“你”的Unicode编码 b3 Z, @; c& A! p+ N
0 k6 { M% n3 O* `1 [1 z 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 `# x% u% r( @: U, {
5 A# P' X4 N1 T1 Y 以下是Unicode和UTF-8之间的转换关系表：9 G; J1 i1 ?3 ~& x; |. b
5 q8 o) \* Y0 E' A+ ~! N, C9 F
U-00000000 - U-0000007F: 0xxxxxxx6 ~* d. d2 f' \
- G! O z0 k. V3 D/ r$ \/ P/ o* c
U-00000080 - U-000007FF: 110xxxxx 10xxxxxx
k+ `. [! t+ s. `. X6 h
1 X I$ A+ o0 ]5 V* L U-00000800 - U-0000FFFF: 1110xxxx 10xxxxxx 10xxxxxx4 W2 x* s3 y. _4 V- H1 y o9 K
: P6 t- s |3 x+ |( H( {2 y+ h
U-00010000 - U-001FFFFF: 11110xxx 10xxxxxx 10xxxxxx 10xxxxxx
9 g/ @. H5 c0 Y+ b' X' n, H: c+ V T6 Y
U-00200000 - U-03FFFFFF: 111110xx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx- [8 z3 D6 g9 X- M
7 ]- g. H5 }5 h U-04000000 - U-7FFFFFFF: 1111110x 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx
, `$ f3 q7 I% C: c
; \- t% ?- w+ v# h+ d 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
| 