|
 
- UID
- 1
- 帖子
- 738
- 精华
- 28
- 积分
- 14171
- 金币
- 2376
- 威望
- 1647
- 贡献
- 1324
|
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：% h% N! _6 x% @ {
" T" i# ]) g1 P) [- e1 E$ w
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。% r1 u7 @1 K. m$ S' v
1 y: T( o% d( U$ p% l; t! w- }* \% \ 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。
0 c5 m$ f0 s: G5 A# L- v
* }- _- V' M' ~3 {: b9 {) H 2、台湾，香港等地使用的是BIG5编码
* X( t G/ T1 K( z0 B
$ x( A0 M- U1 x% @5 |3 @. B 3、日本：SJIS编码- n2 V0 U: E$ z" R3 X0 ?+ x5 B- I, s
W9 d- h: P, E3 g O/ ` 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* ]) c1 L" }" I: ?, a
4 b2 H1 N+ D2 G4 f0 J 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。
# K1 l: m5 S5 g4 A1 W& l" _5 N; @, P9 W, b" l( H, ?" C
Unicode的学名是"Universal Multiple-Octet Coded Character Set"，简称为UCS。
( k: z7 H2 Z0 E7 |# y, }
a" ~/ K' Y 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4 a" Y3 W! A) [- r
8 _# t1 q% w# ^. |% [+ H7 p
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+ h* h. K3 Z& u+ m* h# J: s
2 j; T4 l) m/ B" ~* V6 R" c5 b6 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。
2 O; d1 m3 o- u0 j G8 s
% q V" A5 G1 }9 T" ^1 Q6 r 什么是codepage?codepage就是各国的文字编码和Unicode之间的映射表。
3 U* g |' f, t" a! e1 S0 `# f4 i! ~# Y3 d t# R
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 Y& O0 Y. O8 o
" C. @) K0 l: J( v; ` U: p" u codepage=936 简体中文GBK3 H3 u: a2 b- a7 B4 U$ V1 N
) i% t& |; `: x; A* Y3 i: u
codepage=950 繁体中文BIG53 r4 A- I$ _/ W( J5 {" Y
: ^1 _' U- H) r% C codepage=437 美国/加拿大英语
* [- c/ m1 Y/ |' J( g1 E/ Y; F* h9 S
* E) a5 [! K- a' U( V% b codepage=932 日文
" K$ o7 B) |# R$ a& J
; j- @6 M u3 I; x- F- k codepage=949 韩文
; K9 j( {) C4 d7 X/ L
8 e: Z% m* N6 Q$ b: O" u2 G! \5 _ codepage=866 俄文
: H& b0 o- p3 |, ~0 I! m% j& F
7 k2 b4 k: h2 e7 F* y codepage=65001 unicode UFT-8
1 C5 X5 s$ ? }& P- w# m$ K: W/ ]; Q: C: v+ Z2 d1 d# \) r: d
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。
) T/ |& g6 d7 Y- `7 k6 b( v
0 v/ ?, S$ K" t' F 从936中随意取一行，例如：
" E+ S1 O6 @5 }% \% w: V8 |9 R$ U' f; K5 b" K5 ?
0x9993 0x6ABD #CJK UNIFIED IDEOGRAPH
* o( r, H; w4 ?. F: Y8 J, H
) O* v1 {) o& ?3 M) K 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。
1 |! H% Q" e5 R7 r* q* q: }; O
5 b; L9 Y O& f! r0 c8 f0 \ 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?) c! a9 S' v0 o, m. @
$ X$ v9 \0 Q" A) l3 J: J" f0 x Y
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?$ H2 Z W! I/ ^: ^7 v* X# m
/ P$ Q9 y E) R& |7 a) l4 A 例：
% C9 }; x, ~9 `' M X: J
# \8 l5 e- k3 @, |. q E4 BD A0 11100100 10111101 101000001 E' ]* w/ T" B; _+ A0 x2 |) v( m
' s; J& X# r& F" `2 M0 X
这是“你”字的UTF-8编码
$ z {) q6 u2 Q! ~( v6 \
0 @" O* N$ n) g6 z. X! T 4F 60 01001111 01100000
8 H o' b7 k" q& ]( Z! r! x4 K8 C2 \+ ^* \
这是“你”的Unicode编码9 R5 x' V- M9 o( r/ p$ P- d
' z0 v9 g7 }+ c2 {3 j. R 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。- H# g/ R" d4 d8 p
5 K9 @0 _$ Q6 ^; m& }8 @8 K
以下是Unicode和UTF-8之间的转换关系表：( o" R5 D$ O T
( [; Y6 e* T/ O' Y6 x
U-00000000 - U-0000007F: 0xxxxxxx
% B l# l+ ~/ H/ H
( i8 q P+ a- D0 V: S U-00000080 - U-000007FF: 110xxxxx 10xxxxxx7 c$ x% k5 q; t( _5 n/ c) G _
6 }# F$ L, _" }1 Y+ c* \/ r, W
U-00000800 - U-0000FFFF: 1110xxxx 10xxxxxx 10xxxxxx1 N f6 u( a# S9 A. T r
& Q5 w6 {. @, v/ ? U-00010000 - U-001FFFFF: 11110xxx 10xxxxxx 10xxxxxx 10xxxxxx
1 p, ?* V' c! t6 l/ i& Y7 s: Q8 x: B2 g6 i$ ?
U-00200000 - U-03FFFFFF: 111110xx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx+ E8 [0 d1 e0 L9 t
6 U* ?2 ]6 j& Y; N3 A U-04000000 - U-7FFFFFFF: 1111110x 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx
( |! u. A( W$ K7 v
3 |; n6 ?* {; |3 D. |" t; M7 \ 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
| 