|
 
- UID
- 1
- 帖子
- 738
- 精华
- 28
- 积分
- 14347
- 金币
- 2459
- 威望
- 1647
- 贡献
- 1407
|
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：) U- I, Z H3 d% Q: Z
, E% ?/ S" v/ }( Z" X0 E 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。
( q( I- ], G: \3 h8 e$ f
; S& M- w) |6 m5 O 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。1 L7 q$ p# n) J8 S3 d& g% B
# U$ i6 N; [ f, I0 m. g 2、台湾，香港等地使用的是BIG5编码2 q) ~3 v5 P- Y5 R- g
6 `& w1 s, F) H2 n 3、日本：SJIS编码
" z4 B0 d- R& } N, T, Y! B% j, d! ^: Q& b% S5 B r
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。
/ x! X7 P( d# |( \
3 c6 r s1 c/ q( r* P! q F 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。
3 f/ e3 _3 S5 j" o! F( F6 I' e
6 Y( \+ }- K& V1 Y% L4 _0 @2 N$ Z$ G8 x Unicode的学名是"Universal Multiple-Octet Coded Character Set"，简称为UCS。$ L+ f7 n. p' G. V5 l
9 T: r5 B0 W, ` I+ z8 l9 V; s& [! V
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
' d) [+ a- q( B/ I; |/ w( m
. j; ^4 Y- M7 [9 x6 Y2 d& W 20000-20FFF - 21000-21FFF - 22000-22FFF - 23000-23FFF - 24000-24FFF - 25000-25FFF - 26000-26FFF - 27000-27FFF - 28000-28FFF - 29000-29FFF - 2A000-2AFFF - 2F000-2FFFF
- g0 F9 L4 s9 Y0 T" B2 V) ^. p9 G7 |* \) M( ?
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。' V X$ b8 a6 V; H
& B8 E' b% o$ |4 [4 u+ }! o5 R 什么是codepage?codepage就是各国的文字编码和Unicode之间的映射表。' h) H, F$ A0 s! b" n0 H0 S
& N8 r5 M" S4 S! c1 N 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。
3 F/ ?3 f, |8 x0 o" R* c* D8 V0 h' o5 V- t3 W+ M2 N) c
codepage=936 简体中文GBK
' `; H7 Z4 x. Y, S- N
2 h$ e. Q3 F# w. {! _5 V0 B4 x codepage=950 繁体中文BIG5
* o9 r0 U8 X! K+ i% B; s
5 D. `; s# p C codepage=437 美国/加拿大英语& [, J6 J' l% v
) K/ c6 E L# F1 T- R codepage=932 日文) v/ {/ W! _: L/ k# z( ?7 M: C1 ~. C8 g
; H# ]: {& G8 m$ F
codepage=949 韩文
! e) S& R; Q; z5 U; G# D( f5 c2 o2 _6 ]. T- w% M
codepage=866 俄文
2 q: v4 v V: e+ \3 j( a0 H# V$ l: }
codepage=65001 unicode UFT-8
% @7 F: d. r, _/ d3 s
/ {6 J/ D7 o* I. j' n 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。. a1 }& z, k: P U
$ u7 ]1 E G1 m, u& ?7 `, a 从936中随意取一行，例如：! s" u6 b+ T, w! J( p/ w" m
2 v, i. u* u. G& p% m 0x9993 0x6ABD #CJK UNIFIED IDEOGRAPH! t( z+ j/ @5 h+ m% L& q
$ d' l- B# r5 E* F6 S
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 Z5 R9 T# X/ H S4 \2 u" O; U
# h9 s! f+ c5 I( J" K- R9 P. V- ^* O* M 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?" U: R6 N# ~+ X7 s, @
' h: S N4 Y9 h' q* F* 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?/ a1 e* |% }6 ]8 S
0 `2 m |% K2 C. L$ m5 M( D
例：0 D+ m' p" A5 |9 b" F
& |5 c2 D$ O- s/ D2 r E4 BD A0 11100100 10111101 10100000& R# ? o- w: h2 |
o. n' R, D( y2 b/ T t
这是“你”字的UTF-8编码
- }, K' {, J8 i# k) j: A' C @4 E" v7 b
% G. L) G6 L5 g' r/ i 4F 60 01001111 01100000; j$ p" }( u; H
' }- L$ b. d" H/ K, n& n4 }) M2 q 这是“你”的Unicode编码
& U7 B6 ?% Z" D8 R& E! T4 G0 Z2 F( A! U. S! e
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。
8 t. R/ N9 S5 v& p) e* W! P# r; ~! C2 H" f+ N& ?
以下是Unicode和UTF-8之间的转换关系表：
+ ^ E$ m9 J% ? W+ s
; c/ H! [+ l+ q. E( C U-00000000 - U-0000007F: 0xxxxxxx
2 d8 p6 P' e) b- L9 Z n0 A' j
6 g' |7 @' G0 O' ^ U-00000080 - U-000007FF: 110xxxxx 10xxxxxx* W3 q; ]/ Q3 |
$ \3 r$ |/ C) U8 f1 p
U-00000800 - U-0000FFFF: 1110xxxx 10xxxxxx 10xxxxxx3 A+ H8 ^9 J+ u, t f# |, a V# \
5 ^8 a ?6 o! q: g0 t' S
U-00010000 - U-001FFFFF: 11110xxx 10xxxxxx 10xxxxxx 10xxxxxx4 d/ M$ A& K* m7 V
# ?: y+ X' J# ` U-00200000 - U-03FFFFFF: 111110xx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx' w+ M/ r" M3 D. ]$ F
& H* O1 t1 X4 s6 D" L3 _' ]' K U-04000000 - U-7FFFFFFF: 1111110x 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx
4 B/ C0 n6 c8 [# e, [4 n
/ c# Y5 {) _. F6 ]& V3 M 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
| 