|
 
- UID
- 1
- 帖子
- 738
- 精华
- 28
- 积分
- 14221
- 金币
- 2401
- 威望
- 1647
- 贡献
- 1349
|
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：
. T, G9 i7 F: W5 [+ r
+ r# u5 g0 ?9 ]# l3 F- U# R7 n, _ 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( B# D9 `! B1 Y& V
4 K" h A" C+ `; l6 G 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。6 Q s" C( T) L( G0 L2 x: B1 ]
e) c; H* O2 U4 l
2、台湾，香港等地使用的是BIG5编码9 o% v1 L6 n- K+ Q( y2 O
: u" o7 ^! X7 a 3、日本：SJIS编码
4 G e! E' \* e/ ?" i+ T; v* {4 z) D- s6 M R" e
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。
G8 i- z# r6 Q
, ]8 R" w7 D" T. s C 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。' M7 `% z- w; D- n: m
3 C' |; I, ]( j2 G Unicode的学名是"Universal Multiple-Octet Coded Character Set"，简称为UCS。 c# Z$ G$ N6 C6 S
. P8 b ]* w+ h: `
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 p+ y1 _: b" \% W
. W! S R/ l7 L# R
20000-20FFF - 21000-21FFF - 22000-22FFF - 23000-23FFF - 24000-24FFF - 25000-25FFF - 26000-26FFF - 27000-27FFF - 28000-28FFF - 29000-29FFF - 2A000-2AFFF - 2F000-2FFFF
- \( d( i! H- E7 z/ h& K: `
* M" W4 _8 O' O6 M" r3 R 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。8 K8 ]! z' Q& ^% ~+ N
3 t3 |+ U! I0 J! G# Q) `
什么是codepage?codepage就是各国的文字编码和Unicode之间的映射表。
" M3 Z0 N# o& C. b, M6 r7 ]* X) k. w
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。
0 n' V3 Q% Y# f' _4 c& F+ J7 L7 t% z4 _% d: G0 n3 ?) M
codepage=936 简体中文GBK) U; E5 @; X7 j9 T4 P3 x
5 c4 f* H2 J! U3 s codepage=950 繁体中文BIG5 Y& K6 u* v/ n' Z5 X u4 z
& W9 x3 c: `( o3 W codepage=437 美国/加拿大英语/ {8 j$ i1 r& t& m+ u" Z! e! R
& l- A- X0 z! b
codepage=932 日文- g+ v0 Y; N, b/ P2 i
+ W9 g7 W- S5 f+ I1 b$ f: Z
codepage=949 韩文% r" v) J( G6 a4 W; @, p
" g" \# A+ c) H
codepage=866 俄文
8 q$ i$ Z6 }8 N, R/ o5 H. X9 L
0 E/ s* B6 q4 F0 B$ k codepage=65001 unicode UFT-8+ [% Z1 A6 L1 e* v
0 L+ Z! Y2 Y X! R/ ]
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。
0 W5 r# N. e8 `: P" x
7 ] C; c$ O# s- ?# P6 [* ? 从936中随意取一行，例如：* p+ T& o% M' C( ^' c; O
0 X. Q" N7 A% I' _
0x9993 0x6ABD #CJK UNIFIED IDEOGRAPH
% ~( u' C+ i$ ] W# ]# b* O8 C
# y+ y" X# j; o6 L% r: u 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。0 o) a% Z' F# G2 N
# a& i( w' l% Q8 Q" s+ b% S7 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?
& ^, E4 W3 C r& C+ r/ f& E0 G3 t3 B; U' E* g
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?6 R( u1 N' u) z3 D
- d8 u! k3 n5 k: A3 z) z8 K3 l
例：& `0 a) k0 o5 d: g
; `$ n2 A+ t+ i' q5 j! [4 Q7 o E4 BD A0 11100100 10111101 10100000. \7 P& y) M3 n, w6 u: i% r X
4 Z6 J# e2 L* ~/ r$ O" J
这是“你”字的UTF-8编码+ d' o' }4 ~1 J
& e L" F& E7 L5 p# g, Q9 C# j
4F 60 01001111 01100000
" T, K6 [+ }% Y- c5 R) u% T
, p; E8 l" u: U: I: B0 [6 u. V 这是“你”的Unicode编码8 {1 _' w6 ~: }$ B+ o5 g
" H& `4 U$ d" [
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。2 x7 ]6 o6 i; t# ^! @4 {+ i3 X
8 O. X+ T+ h8 k3 W g8 L/ j1 ] 以下是Unicode和UTF-8之间的转换关系表：+ }( \/ p. J# x, U" h
% u0 H. M" E# G/ c. D$ s U-00000000 - U-0000007F: 0xxxxxxx" g d# f/ k" J& G* C$ H
$ q9 P4 i, v5 @" h U-00000080 - U-000007FF: 110xxxxx 10xxxxxx
0 b5 S6 U/ U3 U! y& F3 g" ?6 F1 ^5 ]8 X
0 R/ |* V# q$ A/ l) ?/ N& t/ } U-00000800 - U-0000FFFF: 1110xxxx 10xxxxxx 10xxxxxx
2 c3 B- z% r4 n0 Q( w \* n7 S* { Q* A' v4 n
U-00010000 - U-001FFFFF: 11110xxx 10xxxxxx 10xxxxxx 10xxxxxx
* \& q4 W4 p) K4 l4 Q1 e( z1 W9 i
" i$ O. r- \% j* [) q2 | U-00200000 - U-03FFFFFF: 111110xx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx
}. H' Z$ k/ s; k( ?; h/ D2 m( s' B8 u/ o- x
U-04000000 - U-7FFFFFFF: 1111110x 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx
0 i V( A' V2 N& k {' ~
/ _! q9 ^) D/ j; E1 R 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
| 