|
 
- 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：
" H6 t) @+ p) _3 _- O: I! k, |
; V* o' \( x* y 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。
1 I8 ]; X3 |: F
7 \( L1 O3 D% w5 U, y9 y 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。
7 W: e$ [! X0 u2 o( I/ [7 d; E( |! ^9 a
2、台湾，香港等地使用的是BIG5编码
; H+ p" r3 x: V" `) f; [/ l; `& Q+ t' ]4 F( L/ q1 `' H
3、日本：SJIS编码. z9 B3 w: z% P# P
/ a3 M' l- f+ V# q
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。
/ p8 ^0 Z( [6 [' v& x6 L" A, { a: Q/ A& d2 k
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。% H3 F# s s k0 l \& I! G
# w* i# w9 a! ? e& W; i
Unicode的学名是"Universal Multiple-Octet Coded Character Set"，简称为UCS。. s C3 y3 B& S3 `0 O
3 h) D0 x4 D, D* q& O R/ f' ^ 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 N* L! a1 p# g; c4 D4 P4 a' z1 v2 q+ h2 p
20000-20FFF - 21000-21FFF - 22000-22FFF - 23000-23FFF - 24000-24FFF - 25000-25FFF - 26000-26FFF - 27000-27FFF - 28000-28FFF - 29000-29FFF - 2A000-2AFFF - 2F000-2FFFF; A+ M/ h, @/ k- k
# U E/ {, e2 i- _$ T, G) B2 k
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。
- U9 M$ T+ E1 `6 C. ` O! x- d% i" { t4 ]
什么是codepage?codepage就是各国的文字编码和Unicode之间的映射表。
0 ?. J& G& V$ Y2 d% I& j
# d- s/ W, o0 G8 X( n6 G* t 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。' ^9 b: |/ H j. R- A" ^8 M
7 n+ t* i. Y! ^# `4 r codepage=936 简体中文GBK/ c S( l) N5 A! r( h5 u4 l
7 a, x& x* j" V8 r4 @4 g# o) ]! P
codepage=950 繁体中文BIG5
4 {# S% [3 L6 g. ^+ B7 Z/ [# f' o$ V# M0 d1 n
codepage=437 美国/加拿大英语
! L4 z$ n ~0 _" o
k" \. X0 ^6 D0 o* w codepage=932 日文, m4 b) J0 B& j7 A! j
8 s( f; b% W5 L! @$ V4 `& f, g8 h codepage=949 韩文
4 s/ t8 n# m0 }! f# {3 E9 \
& }5 m- W7 S8 N$ R+ X' ~ codepage=866 俄文
. p- ]2 \( F7 n9 b M2 C2 ^- {+ v# l3 P& q( Y
codepage=65001 unicode UFT-8! g( }# C' X6 l# _
: p. j: f: S- L8 l. a, L 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。
* N2 v. H0 m& y8 a2 e
( ]: U2 `! ^8 |* k( C) t 从936中随意取一行，例如：! j6 J: | F4 l& }+ ?
, J Y% H% w) w; N$ D" e
0x9993 0x6ABD #CJK UNIFIED IDEOGRAPH. \7 w+ G& p+ ]( b( V3 @4 c8 k. ~
: ~7 b- o3 j5 M4 q- a* d8 }2 C- O3 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。
/ F8 I* Y( q$ R. n& S4 Y. z' s; x
' W0 V9 h+ g5 v; y7 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?" T6 e( A. O! k/ x) ^
1 T0 s1 T& I4 S( a) @- j) Y( Y) v, w
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?% m, Q# q5 E; K! u: ~
$ O- @9 X7 Y) M+ u3 I 例：
: g& j# Z& B4 T2 Y5 a5 T1 @
; ]# M( Y5 n' O1 V0 V4 \ E4 BD A0 11100100 10111101 10100000' c2 t: y0 B: P N: c
, g4 e1 Y- X& L/ y0 m3 _6 [6 J9 H. C. h 这是“你”字的UTF-8编码/ Z( B0 \' ]" t% q
" U, @9 l. ]4 |) m# {
4F 60 01001111 01100000
2 B0 W+ i( J3 H ~+ F+ O
3 B& X! w0 ?' p- K 这是“你”的Unicode编码- d8 F* T( V3 [( l& H) u# h% w
* U; K( ^, y$ \7 i& y, T
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。
+ @" s7 `( y1 Q' k4 Q$ }9 n) U4 Y. [/ X W, P
以下是Unicode和UTF-8之间的转换关系表：& g S/ ~, k5 ^# p4 F. h3 Q" e
9 \; v: l7 [% N
U-00000000 - U-0000007F: 0xxxxxxx5 I4 Q$ Y( Y' |, z
" j# r0 o" G0 V
U-00000080 - U-000007FF: 110xxxxx 10xxxxxx& z- u7 M, ^$ E
4 N1 X8 Q+ M! o; ] U-00000800 - U-0000FFFF: 1110xxxx 10xxxxxx 10xxxxxx
" S$ T2 {5 A' Y2 `! Q$ w. N5 c$ r- D9 \
U-00010000 - U-001FFFFF: 11110xxx 10xxxxxx 10xxxxxx 10xxxxxx$ G. O! Q8 M( d+ ~. x! i5 ^
/ n! ^* X' v0 G! W- y% Z U-00200000 - U-03FFFFFF: 111110xx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx
0 u8 h% m g5 F1 T" S- K7 }0 ^8 L9 _ Z; @+ g
U-04000000 - U-7FFFFFFF: 1111110x 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx
: K' S: B; z" \- i; f0 U3 y
+ A9 H) R2 x4 S6 } 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
| 