捌玖网络工作室 - Powered by Discuz! Board

标题: HTML语言:什么是Unicode 什么是UTF-8 [打印本页]

作者: admin 时间: 2008-1-19 23:35 标题: 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：0 c4 M/ G8 D9 A( G2 n0 l! c$ [
% J9 M. M  I) T6 `) O% m& 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。
; ?& i+ V2 z3 i1 n  u- e
　　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。
* l3 K. \) c5 {: g) @
　　2、台湾，香港等地使用的是BIG5编码' K% t3 h. A9 |" O5 Y/ A
$ z( c( M' k8 ^) i$ M9 Y5 o9 q
　　3、日本：SJIS编码$ |% K+ H( h) F7 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。4 O! O0 t8 ]5 z' c3 Q
$ T! E, Y( e2 Z4 d
　　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。

　　Unicode的学名是"Universal Multiple-Octet Coded Character Set"，简称为UCS。8 }, o# e- M$ j0 a' u. ?; N% Z4 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

　　20000-20FFF - 21000-21FFF - 22000-22FFF - 23000-23FFF - 24000-24FFF - 25000-25FFF - 　　26000-26FFF - 27000-27FFF - 28000-28FFF - 29000-29FFF - 2A000-2AFFF - 2F000-2FFFF3 t2 }; H9 v- S2 x. L& Y* d
6 C- P& T( J/ [1 [9 \! f- a
　　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。. E( ~4 H! I! K9 F

　　什么是codepage?codepage就是各国的文字编码和Unicode之间的映射表。

　　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。

　　codepage=936 简体中文GBK5 F1 W1 h, g. t. }% \2 ?  H+ R* C

　　codepage=950 繁体中文BIG5
* L# p9 Q1 z  x5 Z0 W
　　codepage=437 美国/加拿大英语+ W3 D- G. _0 |' F
4 I0 g9 Z) w- `: x: Q+ u' H1 i! u
　　codepage=932 日文

　　codepage=949 韩文$ W# E7 m( H6 w' p* x$ }/ b7 r. v

　　codepage=866 俄文" w3 I3 X5 ~( p2 r+ ^9 b

　　codepage=65001 unicode UFT-8
3 [% f6 t: i7 P, s9 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。

　　从936中随意取一行，例如：7 t+ j% g; }: E% `; Z) l

　　0x9993 0x6ABD #CJK UNIFIED IDEOGRAPH

　　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。
2 h( x5 q) `2 j
　　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?, v8 p: o; t7 Z0 r; j8 ^8 C0 {5 J
# ]1 }; E. D" n# Z% e
　　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?

　　例：
0 e' z+ J+ D/ ?' R4 P' c
　　E4 BD A0　　　　　　　　11100100 10111101 10100000
! A, V0 a$ h- t7 _3 g4 u+ G
　　这是“你”字的UTF-8编码
! u5 k8 K+ o) Y. P8 v7 s
　　4F 60　　　　　　　　　　01001111 01100000
. g; {" [6 [9 A
　　这是“你”的Unicode编码0 O: W' B9 y+ ]- G% p4 h
# o2 a; o  D! ^% p# `
　　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。

　　以下是Unicode和UTF-8之间的转换关系表：2 t0 g+ s: a! g7 ^6 M9 q8 m2 J

　　U-00000000 - U-0000007F: 0xxxxxxx

　　U-00000080 - U-000007FF: 110xxxxx 10xxxxxx$ I# A; x2 ?7 c( _; r/ c

　　U-00000800 - U-0000FFFF: 1110xxxx 10xxxxxx 10xxxxxx' l+ E. u% Y( [9 Y0 h7 N5 M0 \9 A
. G. p# C: Z9 |5 c
　　U-00010000 - U-001FFFFF: 11110xxx 10xxxxxx 10xxxxxx 10xxxxxx* t$ I; p2 b7 }

　　U-00200000 - U-03FFFFFF: 111110xx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx5 ^2 E' Q  K$ z- V; p

　　U-04000000 - U-7FFFFFFF: 1111110x 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx

　　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。

欢迎光临捌玖网络工作室 (http://89w.org/)