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：
/ S! z" W# E& F, r
0 R7 O# e- |* J
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 z- L- B1 T! i& [0 Y, F
5 f+ K5 k9 L) ^1 U$ n# i; |
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。
2 S( e$ X y# ? R0 h4 |$ G ]
6 J+ K% Y. {$ l) Z0 O7 w
2、台湾，香港等地使用的是BIG5编码
' h) N, A8 y- p% X3 v" |
2 j L* Y# L! b- p5 X# y X
3、日本：SJIS编码
2 N4 \' f& ^- W5 x; I& [
( ~7 {9 X6 u% {6 O) T" P
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。
; ~) |# C$ B* c4 [! {) R
" ?" [# C6 W" @/ e6 ~
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。
% @* h% ~7 }( ~0 t; s" R
: r( z: Q; d S5 g% n4 c
Unicode的学名是"Universal Multiple-Octet Coded Character Set"，简称为UCS。
: p# }4 }: p' ?+ Z/ ^
2 f+ B9 N! s& I0 p" b3 n
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
) I. S' k" E& @- y+ |( m
7 ]2 g5 y( f/ `8 b" Y5 q7 Z
20000-20FFF - 21000-21FFF - 22000-22FFF - 23000-23FFF - 24000-24FFF - 25000-25FFF - 26000-26FFF - 27000-27FFF - 28000-28FFF - 29000-29FFF - 2A000-2AFFF - 2F000-2FFFF
; \( P& ~( R# q, e& \# u: T
4 P4 j9 ]1 }" b; D/ G
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。
4 e ^9 l, M, _
# F+ F. @( ^9 j( \$ a
什么是codepage?codepage就是各国的文字编码和Unicode之间的映射表。
' B# L; Y2 ^" h; B; Q
8 g( I& v1 j6 r7 w. X2 H+ s
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。
4 |/ W( o( l+ W, ^1 g" G. [
5 i+ |/ u) `# t; h$ r
codepage=936 简体中文GBK
+ }' p2 v( Q- R) Z
% p% E. h6 y9 u
codepage=950 繁体中文BIG5
. D' W# B9 X( `8 |. D# l* |! J
( D/ H) W) _7 S+ [1 W
codepage=437 美国/加拿大英语
* Q5 k% G4 E! ]2 h- Y! n/ C9 _- Q
8 z" `) r- S0 U4 l$ ^) T/ }( y
codepage=932 日文
3 ~+ d. C$ h; T/ d5 C
' c( Y9 v! g) x) y
codepage=949 韩文
4 I2 |5 ]* p. r
8 L9 v/ p1 x+ |; g" z$ b) {
codepage=866 俄文
: s- t0 \# l) v8 d' w
( v* _1 V. h# j
codepage=65001 unicode UFT-8
1 X4 b3 S! W4 H3 H
/ W7 X. J1 h! t+ y! \
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。
. f! e* ?& D, {
7 ~% u+ Y C2 K G! O
从936中随意取一行，例如：
& H: U, D% E! I( J2 b+ P
! n9 ] h. U* ~# m
0x9993 0x6ABD #CJK UNIFIED IDEOGRAPH
$ [! c4 j9 v+ v
( z3 U, U% b( a; Q @4 m* Y+ g: M+ P
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。
# f4 O; @" p6 t
; j+ s, ~' q" b6 ^
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 _9 V f) h* ^7 j, z
4 W, ~, A( ]. S2 ]7 o" X" V: ]
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?
' C4 n1 h: V; Z0 k z& k( h0 y1 _: ?4 D
: I I" p5 Y* c6 T' x- i) ]
例：
_' c3 }$ z; z* P: T1 n2 F7 C
& a% @' Z( s- L: l
E4 BD A0 11100100 10111101 10100000
* J5 R* R0 }6 i" N, c: G+ l( ?- y. E
) d) w! I, Q' V+ T& L
这是“你”字的UTF-8编码
- P+ X! }9 K/ F
; t$ b; I, |1 K+ W( m! j* ^
4F 60 01001111 01100000
2 g! l( Q3 N8 ~% v: j
! }7 F5 W3 L8 y9 F& }
这是“你”的Unicode编码
; u. T; E5 Z1 I, e: P
+ K" v3 { R5 d Q' Z' S I
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! @5 i4 r$ o5 p$ N: a
" p8 H3 C2 g4 |8 d" i0 v
以下是Unicode和UTF-8之间的转换关系表：
$ ]& F: F0 d( y' k% b" w
% S# @4 s! v N
U-00000000 - U-0000007F: 0xxxxxxx
4 I$ G* e# _* E3 B
5 @9 [9 S4 ^* w- M0 u
U-00000080 - U-000007FF: 110xxxxx 10xxxxxx
6 O0 ~: c/ o: c1 C
2 U6 K& u' ]0 p# ^$ |
U-00000800 - U-0000FFFF: 1110xxxx 10xxxxxx 10xxxxxx
( a4 y% N Z7 H3 m# \" [9 o! [
" d/ S$ i2 k% k+ g$ ~7 C
U-00010000 - U-001FFFFF: 11110xxx 10xxxxxx 10xxxxxx 10xxxxxx
# R0 u$ b( a- U/ f" I
$ {; \7 P2 @$ u% `
U-00200000 - U-03FFFFFF: 111110xx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx
2 c9 s, d7 u5 H5 b: K
4 u8 Y8 w: L3 z5 u. P5 E) U2 f$ I
U-04000000 - U-7FFFFFFF: 1111110x 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx
$ D9 Y3 ]& ?9 K, v
4 `' ?, [1 h1 r# j2 P
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/)
Powered by Discuz! 7.2
