|
 
- UID
- 1
- 帖子
- 738
- 精华
- 28
- 积分
- 14443
- 金币
- 2507
- 威望
- 1647
- 贡献
- 1455
|
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：
8 `4 c- s) f$ \& ^! I: j! n. f& G4 Y/ z+ `0 `
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。
! n9 [/ k: B( ], q2 N- P% Y+ e- i/ q' c+ |8 d9 p% h! B9 P2 u
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。
[9 [/ r7 W% n& E. c! e
$ J1 S+ a! {3 n( x6 W 2、台湾，香港等地使用的是BIG5编码
$ `7 k3 d$ G7 I4 Q8 U0 X+ d% j# \* g( z5 ~- B
3、日本：SJIS编码' s1 q2 Y5 t3 _8 ~
8 D9 f% f3 {! G/ F* E4 S2 R
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。
7 e' \& l, h9 I! }
7 a; L, O. T! O( ~ 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。
- w7 O: o0 b5 P# \& Z- H4 A* C0 W0 {( `& P$ h, P6 e
Unicode的学名是"Universal Multiple-Octet Coded Character Set"，简称为UCS。
" I4 u# _- \. K- E) v! ?. n# W
& c, p! {' w0 T* k9 t 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 g2 `4 i, Y- ]. q ?: Z9 J
* @8 O; U6 I R6 i 20000-20FFF - 21000-21FFF - 22000-22FFF - 23000-23FFF - 24000-24FFF - 25000-25FFF - 26000-26FFF - 27000-27FFF - 28000-28FFF - 29000-29FFF - 2A000-2AFFF - 2F000-2FFFF
; @: _( J N" H3 I' m
F( W0 {( z- U$ X* N& ~ 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 v& n" L3 I7 x: w( F! O
8 H- @4 C! ], E, A+ B 什么是codepage?codepage就是各国的文字编码和Unicode之间的映射表。
4 m* Q0 s2 b. s$ H! R* A: x3 b+ `3 y2 H
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。
8 [9 n0 Q H l( e% F% {( W2 S9 w. y L
codepage=936 简体中文GBK) A3 r' d& A% u9 m4 I, t n
7 O: ^1 O* i0 {8 o
codepage=950 繁体中文BIG5: T: q' E; `( j: _* |4 G
- [5 I0 D' B/ h1 _/ n8 Y
codepage=437 美国/加拿大英语
- I. \ ]! C k/ S* s0 n7 h
& f! M: f/ @) X2 P codepage=932 日文
0 x4 ~+ L/ D' v. q! t) U$ r, q0 T( d7 p; g u V; K$ w
codepage=949 韩文" U: ~% J3 d, y
. H1 T) r7 e0 f8 h$ S/ e
codepage=866 俄文" ]! f9 D8 w, Z8 l& _9 t! ^; m
4 y4 t5 ?* n$ E2 A0 m# `
codepage=65001 unicode UFT-8
* v$ }6 V- X6 k
& B2 @; o3 z' w; j 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。
/ w( m. [8 K5 L5 y% F( v u! H4 `# L: E! }
从936中随意取一行，例如： S! F0 a0 t7 u
1 ~6 J1 x( V* R3 Y6 K
0x9993 0x6ABD #CJK UNIFIED IDEOGRAPH
& v: }1 b1 s$ S9 D2 |6 W$ G! | [9 g6 |5 Z
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。
) D, B" r' v% `. t# X& B; |3 P; y: E4 d+ i3 S* X7 y0 _3 y0 }
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?9 j4 Z, n1 {2 u* K$ S+ x
4 H" f+ V2 I0 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?
( i9 ~8 J: s( i/ X: g& `
6 U3 ~7 _* d9 o2 G, } 例：
/ Q) F! }. ]. m. m' `+ L' c0 p
: `* [, u3 e/ \4 u- ~ E4 BD A0 11100100 10111101 10100000
3 i2 H8 _' v# O) z5 J# V6 F# U
! H& m; @6 X, k! l$ i; i 这是“你”字的UTF-8编码# q" ^* z. ^" V3 Q
Z7 L y7 K) }/ D1 q, {* F7 I 4F 60 01001111 011000007 Z2 M9 m( E! a4 D& d9 @2 {& P$ Q% M
! J q1 [5 s. ~. T, @9 M- P3 G
这是“你”的Unicode编码
' p+ |& k6 B) U6 G2 W
5 \) E" z" n, Q) K 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。
) }) X$ ~# I; ~! v+ X9 |6 G, U# I5 J
以下是Unicode和UTF-8之间的转换关系表：
: t* b j0 P) U' K9 j% J- a3 G; F# {" V( l6 }; N7 Z
U-00000000 - U-0000007F: 0xxxxxxx, \8 g4 c- Y( N4 y
7 g7 G# u6 ~5 u0 y U-00000080 - U-000007FF: 110xxxxx 10xxxxxx8 [- [$ W b+ K- g
% H" Q3 g! z! V+ b' ?9 t& V U-00000800 - U-0000FFFF: 1110xxxx 10xxxxxx 10xxxxxx
5 @7 |, b' I! _7 b% l! F1 x9 a" P7 B- v5 O
U-00010000 - U-001FFFFF: 11110xxx 10xxxxxx 10xxxxxx 10xxxxxx
' D9 ]# ^% H% `" R' g' b% [# Z6 Y* t( D9 ~9 @& @* @
U-00200000 - U-03FFFFFF: 111110xx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx+ Y, D2 d2 [5 I+ A K2 q/ P
; v9 a5 C2 n5 J7 l U-04000000 - U-7FFFFFFF: 1111110x 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx
. N+ B6 v9 T& F: p
# P" F% E: |& G/ G+ s7 w 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
| 