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、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。
# s- x7 J$ z( O8 F
　　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、台湾，香港等地使用的是BIG5编码! T" v% t3 {3 v5 F, ]

　　3、日本：SJIS编码* O3 {  u. ~  O/ r8 x4 \7 G
4 A9 t" T9 s' m3 c8 P- 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。
2 L, ^7 B! d3 v# Z, Y
　　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。5 z* p8 s2 q2 v- x5 Y+ u( N" @

　　Unicode的学名是"Universal Multiple-Octet Coded Character Set"，简称为UCS。7 r1 J* K7 N: X
2 g8 S! P; s7 T9 ?0 F( G
　　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# d( x, g8 s4 A0 v+ P
6 U. c* _) d+ N% d5 W7 e! \& x' n
　　20000-20FFF - 21000-21FFF - 22000-22FFF - 23000-23FFF - 24000-24FFF - 25000-25FFF - 　　26000-26FFF - 27000-27FFF - 28000-28FFF - 29000-29FFF - 2A000-2AFFF - 2F000-2FFFF
; ~( c8 v% m2 {# n4 s+ ^
　　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。( {2 ]( @+ b% r) O9 U( \- x2 g
" G8 U& X$ G. h0 h
　　什么是codepage?codepage就是各国的文字编码和Unicode之间的映射表。0 f4 @5 F7 C2 M1 |) \
9 V* @) @: `7 h* I+ z# M" G" V7 A
　　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。/ f2 E9 v+ g) a4 J+ Y

　　codepage=936 简体中文GBK

　　codepage=950 繁体中文BIG5" J$ i% b/ l$ z! K9 {( ^; }% M- Y

　　codepage=437 美国/加拿大英语
1 D! K: W9 h0 e' m) B5 L
　　codepage=932 日文% G4 n+ d0 u' J5 m7 l7 G4 M

　　codepage=949 韩文+ Q8 y$ z5 K+ e. d) c
- x, }2 K7 s& T% ?" V' I
　　codepage=866 俄文
; V: o/ G: g8 p0 }* n6 R8 k! Y
　　codepage=65001 unicode UFT-8
% o" W8 i+ K. 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。) E1 P  ^8 f. P: X

　　从936中随意取一行，例如：, H& p7 S2 r+ R$ P" r' R
& e; a/ s# n/ X+ e! Z" T* q
　　0x9993 0x6ABD #CJK UNIFIED IDEOGRAPH
: t0 q" _. W( v7 f: x7 o% |+ Y$ Q
　　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。

　　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?

　　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 ~) t. d' I' R+ @1 k5 w
　　例：
' _1 a* M. c6 X1 m6 h% r
　　E4 BD A0　　　　　　　　11100100 10111101 10100000

　　这是“你”字的UTF-8编码

　　4F 60　　　　　　　　　　01001111 01100000

　　这是“你”的Unicode编码8 T, y4 A9 K. i, n) N, }: c

　　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：
( ^9 d0 u# E  R; a; Z
　　U-00000000 - U-0000007F: 0xxxxxxx

　　U-00000080 - U-000007FF: 110xxxxx 10xxxxxx' d4 E; u0 |9 }6 r3 F
; l2 {" Z# v4 @4 k4 J, E4 t
　　U-00000800 - U-0000FFFF: 1110xxxx 10xxxxxx 10xxxxxx4 F3 r+ t1 \1 z' x2 Q

　　U-00010000 - U-001FFFFF: 11110xxx 10xxxxxx 10xxxxxx 10xxxxxx
  t6 H  J: k+ U  L
　　U-00200000 - U-03FFFFFF: 111110xx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx+ i3 E" w2 c2 a

　　U-04000000 - U-7FFFFFFF: 1111110x 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx) {# A7 E& i5 @5 w7 C( m4 T2 Y

　　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/)