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：1 J! U( S( `2 D4 n$ C7 n: M

　　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。

　　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。) n# B( Y$ C+ G- h5 c
2 w& G2 ^6 v' Q; C* O
　　2、台湾，香港等地使用的是BIG5编码

　　3、日本：SJIS编码% |+ M, @4 C$ _  X3 K. E
! _9 ?) Y, y3 l; A
　　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。
& n, L4 G3 s3 d$ F5 P7 ~
　　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。1 M: g( P* p& c

　　Unicode的学名是"Universal Multiple-Octet Coded Character Set"，简称为UCS。7 p, g/ _2 [# z) {' k" b! L3 j* L
1 _+ Q' l  {( \
　　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6 F# {, h" ~6 J8 S% l9 H3 A
2 W: g, k" C7 u* U% n* Y
　　20000-20FFF - 21000-21FFF - 22000-22FFF - 23000-23FFF - 24000-24FFF - 25000-25FFF - 　　26000-26FFF - 27000-27FFF - 28000-28FFF - 29000-29FFF - 2A000-2AFFF - 2F000-2FFFF' M! p( f0 F+ W: `& J' n" o

　　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。9 g: N0 Y/ J0 h# Q6 o# l2 h4 _! z

　　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。2 f0 G1 n; x  U) H
9 h7 I; S8 d( V5 T, @8 V- ]
　　codepage=936 简体中文GBK' n' N% g: ?, Q4 c
" G1 n1 a7 e  P  i" }$ {1 C5 K$ v' q
　　codepage=950 繁体中文BIG58 N5 B3 l! F, W. c  n0 f' A

　　codepage=437 美国/加拿大英语% I  B% O. q$ [
+ d$ j9 E4 J* Y, W7 F
　　codepage=932 日文" F( \0 [+ m4 e6 G
6 a1 E6 e: M) j" X8 d% M+ O8 N
　　codepage=949 韩文) \: I3 o- `8 P/ {, I
, O7 {: {( C8 z6 C
　　codepage=866 俄文$ S! g6 q7 n% B, j, G
9 z# T; M, H. Q  |1 k, @
　　codepage=65001 unicode UFT-88 ]! |5 J. p1 |1 ~) p
" Y3 F( t' ^1 H- `$ T( I9 ?: ]- S
　　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。7 L! K! j6 _+ z( G2 r7 {

　　从936中随意取一行，例如：
2 X! \) L, A7 F/ R4 I
　　0x9993 0x6ABD #CJK UNIFIED IDEOGRAPH9 L" q9 j. ]7 k' c/ U) ~
& B) a& s% U; k( I
　　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。
- c( Q- m: V8 p# W4 s$ Z4 r
　　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?- v+ G- O! F! k" F' ~$ E1 ]

　　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?8 Z7 b8 K/ |9 }2 J6 G

　　例：
5 x+ m& R8 b  A( }- f8 t8 @1 D* s
　　E4 BD A0　　　　　　　　11100100 10111101 10100000
1 W$ G2 ?  u2 N9 G1 w
　　这是“你”字的UTF-8编码. J* i; P8 ^( I: n( ?  n
8 N' t5 p# e6 {
　　4F 60　　　　　　　　　　01001111 011000004 C. K1 @7 L2 A( g5 ]) u
% G. {: x% x6 x- m
　　这是“你”的Unicode编码

　　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。
" p2 j- E% N  j4 E: c
　　以下是Unicode和UTF-8之间的转换关系表：) s1 ?! t* R* L1 b1 u/ c8 Q, u

　　U-00000000 - U-0000007F: 0xxxxxxx8 H$ j2 L1 v; w7 g, j
, s3 o# z  O! T* @9 u! u
　　U-00000080 - U-000007FF: 110xxxxx 10xxxxxx4 N" U9 T; p0 z# s0 S' L- n

　　U-00000800 - U-0000FFFF: 1110xxxx 10xxxxxx 10xxxxxx

　　U-00010000 - U-001FFFFF: 11110xxx 10xxxxxx 10xxxxxx 10xxxxxx/ G. e% G6 g1 q+ K4 L

　　U-00200000 - U-03FFFFFF: 111110xx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx
9 K- e. O. F  ?  _
　　U-04000000 - U-7FFFFFFF: 1111110x 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx
+ |6 G3 [+ u1 d# }0 G
　　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/)