|
 
- 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：7 D* X: D& C# A; M! G( ~/ p% J
9 F4 k2 b1 I! D! o& J; C
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。7 M( J" J. T$ I2 e, ]1 m
| \* N: n- C9 z1 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。
5 K; V1 W' l' d9 C- \ T$ @. k* X$ H8 K( }! `8 ^
2、台湾，香港等地使用的是BIG5编码" l# C& `3 V1 ^4 V* E, M
- A, v' `4 n! f+ u
3、日本：SJIS编码! Y7 M9 U" j$ w, W6 w
1 o' g! g1 N f- Y- x 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。
: b' r& h* [$ q; ?0 D" p
5 C9 Q/ d Y% m5 |1 w) P' e0 |! ^ 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 _( ^: |: n M
# y) d+ `1 V% _# u6 J0 N Unicode的学名是"Universal Multiple-Octet Coded Character Set"，简称为UCS。# _5 z8 u5 F* ? }+ y5 I
; e5 T( @6 X7 P9 a$ 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
) f# v4 Z4 h: T2 w# u8 c$ M/ g" j) x0 h 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
P5 G8 v* _ S# r7 o& u
6 S$ A+ Y5 l r4 G# f9 g! F$ { 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。5 `3 @9 R/ B; z4 U* g
3 V9 Q1 Z# G! u) h: Q7 Q 什么是codepage?codepage就是各国的文字编码和Unicode之间的映射表。, B# W1 }' r7 O( k
& q2 M; x6 U5 s/ r( q
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。% C6 M* c E7 q2 N w$ ^" J
6 J' @& Z2 v5 ~: `- Q
codepage=936 简体中文GBK6 W$ U M' H' K5 C F4 H& j
c+ o; k* S {! |+ ~* j0 U
codepage=950 繁体中文BIG5* ^. s' z* O( u' z' m6 @1 c
9 P- v$ p" ^+ ?# R
codepage=437 美国/加拿大英语: H+ `7 [# H0 c. k# K9 ]" n
# y. a/ n" h" t O* H( M( v
codepage=932 日文6 c' x9 m& [6 b2 _
3 g. g) n4 ?: y3 | codepage=949 韩文0 r& }9 S2 N8 e! D+ E' [" m2 d
# m; c3 K/ ]( t- ^1 x9 h! z codepage=866 俄文
4 ~6 c4 C* {' `8 b' T" g/ o% O2 {7 P' M& Y/ N5 |
codepage=65001 unicode UFT-85 t6 c1 H$ q+ R+ G6 }: U
( K5 V5 `; i8 s" D( Q& 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。
$ O* x5 n3 F ]" ?4 G% |* o' ^# ?9 z+ q) ?/ j8 ]& b
从936中随意取一行，例如：' U' y+ e# F: C" ]5 a! u6 c
* |) b9 b* z% g* c5 D; x
0x9993 0x6ABD #CJK UNIFIED IDEOGRAPH
4 J" U- m" K5 T) @; Y5 z0 ]9 T) j& K, G9 ~
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。
' w, p! O1 [$ e/ R2 P
1 o% e& l% T9 M8 g 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?
6 ?) n* D. F! s, O3 Y7 [8 |6 X4 d7 b3 o2 q
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?
/ Z3 z! H/ b0 p8 d# b+ W
" m. n/ a* X) M9 i) o# J5 f 例：
; T7 x6 P( X' A% D% w# u" B
2 T2 V9 G! s$ B E4 BD A0 11100100 10111101 10100000
" o. {( |; J B! ], ~1 P3 g- o5 m
( v2 f) V' T8 m9 A% h! B- z" N$ P 这是“你”字的UTF-8编码9 O$ m0 F4 D7 W' ^) y
* d, i5 m8 F6 q* M7 j 4F 60 01001111 01100000
$ t* f q( A1 V' m" h# `: p) b. J
% [6 B4 B- V) z, W& x 这是“你”的Unicode编码
) L u6 X0 a' ?; J; u
) B) S" @# W7 q( o7 i- f7 r5 j& b* _% ` 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。
( p( ]9 I0 d( P* I9 E; k! T+ x. O9 }
以下是Unicode和UTF-8之间的转换关系表：
' Y1 S& X7 x' [( a" _* C! I- u. V, }( o" h3 p ^
U-00000000 - U-0000007F: 0xxxxxxx5 S8 |5 t5 e& z$ f" `
1 }! q6 j* ^) E H
U-00000080 - U-000007FF: 110xxxxx 10xxxxxx
& g1 i5 T& Y- Q6 |" ?7 Y8 B; ]
4 t% X8 G6 p8 \' q U-00000800 - U-0000FFFF: 1110xxxx 10xxxxxx 10xxxxxx
- o% P0 Z5 _4 `1 E) O2 H1 a! Y& I- k1 D
- X* _+ p* J; u* q& `3 P4 { U-00010000 - U-001FFFFF: 11110xxx 10xxxxxx 10xxxxxx 10xxxxxx
- V0 [" [' k) E* R. O8 y: r; J1 D9 L6 [# \2 `* k' s6 Y
U-00200000 - U-03FFFFFF: 111110xx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx/ B. x/ L2 V2 i: u) M+ I0 q
7 l& y* q3 y! ~2 m R U-04000000 - U-7FFFFFFF: 1111110x 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx4 ~* d9 L* S: h4 h* z
6 E$ Q4 S/ P& p2 O8 K) `
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
| 