|
 
- UID
- 1
- 帖子
- 738
- 精华
- 28
- 积分
- 14171
- 金币
- 2376
- 威望
- 1647
- 贡献
- 1324
|
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：* f/ P+ w# w5 D1 K
& K: b! M" y' P( U- O 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。
( c. q- B. R* c$ }$ {/ u+ E! n6 r: Y* H# w
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。( Z+ ^# D" e4 [4 |# F3 o6 S
7 |+ c N* g) s! U; p 2、台湾，香港等地使用的是BIG5编码7 f1 Q% n0 A2 E3 z; ^9 q+ P8 i
! D p. U* ^* E 3、日本：SJIS编码
; S) K, z# H* \1 u8 ?+ R2 [- n
4 l+ z8 V4 h# e1 N 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。
' g! o& E3 m) h9 X5 M% x1 m+ P* G# m2 W/ E8 O! K3 Q, t0 y' B9 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。
x9 z: B$ i. R; c* \5 V' M' l/ ^& z- E5 g# F
Unicode的学名是"Universal Multiple-Octet Coded Character Set"，简称为UCS。
3 t$ J% H. ]& Z, x1 q) D* O$ \* w) v2 L) r+ k' r9 I1 H
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 A6 ~; r M8 Z' V" e
8 k7 M) L& `0 S* G! G+ E0 E, F 20000-20FFF - 21000-21FFF - 22000-22FFF - 23000-23FFF - 24000-24FFF - 25000-25FFF - 26000-26FFF - 27000-27FFF - 28000-28FFF - 29000-29FFF - 2A000-2AFFF - 2F000-2FFFF
9 J- f9 e' @( P1 H: }9 L" Y: t: \" p& ^' N$ Q
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。- y# n5 P2 {" I: i' B
. |& y" u4 V7 Q) L1 I5 \3 O% l6 E 什么是codepage?codepage就是各国的文字编码和Unicode之间的映射表。
, M) f. n% U- r3 m& C5 x2 U4 B" S5 g8 {: c/ [! W8 Z( _
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。
) U; b6 ? o$ A9 F) ~+ z0 J: Y, N, k1 @+ g
codepage=936 简体中文GBK! d4 f3 `% t2 M9 w. m2 \
" t5 H; B' x' ^. D6 h+ G codepage=950 繁体中文BIG50 t& D( z1 S3 {, c+ w! m* I5 M, M, [/ O
; E; m9 X# i9 }1 V; m' N
codepage=437 美国/加拿大英语+ f; I9 E' }/ b
3 L; X6 |2 j+ }1 K+ \% {" u4 x; { codepage=932 日文
9 M4 ^' _% f* G% u0 p7 L+ F2 Y5 ?8 C# O% V* i6 t1 I
codepage=949 韩文
* d7 X3 M9 @. R7 {- l9 |; Y2 d4 \2 t. m8 w
codepage=866 俄文
' P" I4 w1 `& y7 ?, @
4 ]2 r$ Y/ s5 C' b: i codepage=65001 unicode UFT-8
0 a! e" }- |, n5 |" [' L( R1 I& l. \: M0 I6 R3 b; U( {9 d
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。4 C8 P* T: t+ s' S+ W
' B* W5 t! f; A6 }
从936中随意取一行，例如：; H( Y, r% o6 d" f' ^
' B% d+ y1 Q) b
0x9993 0x6ABD #CJK UNIFIED IDEOGRAPH
2 R9 q# N7 I# R: c `9 n0 v, V q3 N. I; z. c4 v' |' {$ a5 V
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 o3 j- S( s& p+ T
4 d% h5 {1 s" a8 z3 O) T' { 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?; ~" t+ ?5 R# w( L% ^( S1 x
4 Q- U$ X% W$ x' K2 M5 L# c1 }" d 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?7 U9 Y. ]' Q1 J" M* x" d! x
0 n/ ]8 T: l; V/ X 例：) z: L& Z9 g/ t6 \$ Y
& S# N% `3 Y3 R1 v# c5 \! I E4 BD A0 11100100 10111101 10100000% D9 y9 \6 P& e
N6 d9 r; L, A% E 这是“你”字的UTF-8编码
7 _ |9 {# U% [3 A" A8 n% v# O6 h. z& l$ r x
4F 60 01001111 01100000
) l: z* ]1 o% p$ W& W* [7 p7 X: e# g* d1 n3 k: q2 h
这是“你”的Unicode编码
: ?/ t3 b# @8 W& I
9 I% c: p; A9 _ l; g 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。
. }, o: Q1 R% i% K& `
$ |2 W0 R! ?2 k7 o! O, h 以下是Unicode和UTF-8之间的转换关系表：/ l0 N+ s# w* [+ i C( |
+ A" k; Q z7 @' K& a/ q# A* [
U-00000000 - U-0000007F: 0xxxxxxx
$ w5 z7 B ]$ U% K! l' f: V5 Y ]8 j" f- h
U-00000080 - U-000007FF: 110xxxxx 10xxxxxx
% t% v+ g, ^5 L7 I5 M! _. U4 S! j
U-00000800 - U-0000FFFF: 1110xxxx 10xxxxxx 10xxxxxx0 V) s9 Q/ Q7 }
1 j9 U5 H7 |4 y+ ^* y+ y0 R: v
U-00010000 - U-001FFFFF: 11110xxx 10xxxxxx 10xxxxxx 10xxxxxx
3 H9 P) O- H/ F" f1 Q& C2 @
, E8 E, t P& ?+ L1 H& m3 t U-00200000 - U-03FFFFFF: 111110xx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx
, @ o/ m0 q! E& Z5 Q2 X% A7 a; j/ p
U-04000000 - U-7FFFFFFF: 1111110x 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx& B, \7 M, ]' O& p9 t; m! r/ z0 D6 o
/ [, I& o/ u4 b z: 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
| 