|
 
- 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：' ]5 ?( i4 u7 z/ Y4 W
! x! P+ O+ _5 ]+ \ b& \1 c 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。
+ }! l8 P4 ^# ^ `& [# d- T3 C3 }; x' f1 _) x* V. M
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。
7 g* V9 q! V( K, a6 D S! d8 b5 }7 Q' p
2、台湾，香港等地使用的是BIG5编码4 J; D2 J% H) S8 ^4 w$ N* W" d
4 R3 @( d/ A m* h ~ F8 y 3、日本：SJIS编码% P* e W* d. H" E
, k! F* g4 H) _0 ?/ |5 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。, t6 i1 D, j/ P9 o- H0 v$ M& |
) J6 H {; ]5 c4 z+ t& z
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。+ g# a; A4 N6 O2 u( H
0 Z% H3 I# w8 W3 X* ` Unicode的学名是"Universal Multiple-Octet Coded Character Set"，简称为UCS。1 L1 k9 n9 f0 U8 E, J' \
) R/ x& ], |" G7 ~0 j 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
! F4 G# b+ H4 }2 o9 R; L
. M; z* ?% p8 d* z0 B 20000-20FFF - 21000-21FFF - 22000-22FFF - 23000-23FFF - 24000-24FFF - 25000-25FFF - 26000-26FFF - 27000-27FFF - 28000-28FFF - 29000-29FFF - 2A000-2AFFF - 2F000-2FFFF8 r# p \, z9 y$ C
) v- Y' r- {8 | V3 E; `
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。; ~+ d+ p/ Y/ P) k! V' |' a# W9 F
) \* x+ ]# o [ 什么是codepage?codepage就是各国的文字编码和Unicode之间的映射表。+ m& \) q1 r {* S: c- r/ r& ? n
! \' p2 O6 X( E1 b0 |& n
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。
Q% S8 k8 V1 |2 l. i4 @0 D
$ R, d- w5 S- s9 U$ Y; N codepage=936 简体中文GBK
6 g6 J# X0 Z7 U1 }: Y
* i+ D; o' N+ \& m" o codepage=950 繁体中文BIG5" i0 |. v! N9 J* v
R2 ]: \# T# g1 L. ]7 j
codepage=437 美国/加拿大英语+ X9 Z6 j; w+ X2 G. `
: b; B+ F& a5 `% `( r9 V9 H
codepage=932 日文
& a, o6 `* K" I
; L$ w) N8 F& ^* l! t codepage=949 韩文
. c Y1 N9 U9 e u- D+ m* s) w( m- |0 h$ ?/ P% {: r
codepage=866 俄文- U4 w, v( x; u$ K8 f! H
2 ]! v% k3 U4 c. Z& A+ H codepage=65001 unicode UFT-82 ]$ p' {8 ?: Y% m2 j `3 e
- Q4 t- W1 h: 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。
: O7 D K+ ~7 e6 \9 K, A; X
$ H& y4 h% E7 a4 z3 S( z 从936中随意取一行，例如：
/ u) N( l, ~- D2 ]- j1 R+ b1 B1 `( w% X: f# q. R
0x9993 0x6ABD #CJK UNIFIED IDEOGRAPH" Y; a8 z9 t F9 U1 p
6 i$ ~* k6 F2 P& e$ n l$ 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。- c/ u3 j) ?+ X, N- U
4 r& V% Y7 x- X' ?! k# k
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?
, k9 R' L \* m% T" [ l8 s: x4 d& y/ V- 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?
# X6 N: d- u# K) e2 b( c
5 G1 j ^& T7 p; L 例：( C& \' Z, @+ e9 Z! n8 {7 i$ f
; q+ {9 n$ K3 |' {6 S* W/ c7 f
E4 BD A0 11100100 10111101 10100000: D; p w! n. R1 M8 R
# x( k( O3 ?; d6 q 这是“你”字的UTF-8编码! V) D* X( G1 h z3 l' u A2 J
0 E) v5 {; z) e( {9 } 4F 60 01001111 011000005 j& ?6 ]* `1 _. ^& \- B
/ L H. }) [8 O: n% g& d 这是“你”的Unicode编码
" p/ T0 |& X5 {# Z6 i! ^) t F$ @# F1 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。7 X. r# s: f, e8 ^
0 e& }' G D- ?& U 以下是Unicode和UTF-8之间的转换关系表：
5 l X& v0 [8 {6 U% Y
, l: {) T' K1 B' I6 p0 {0 I: d U-00000000 - U-0000007F: 0xxxxxxx
' R6 ~& ~" ]2 e. l6 q$ C* X- R! `$ u: I& F
U-00000080 - U-000007FF: 110xxxxx 10xxxxxx% u5 A4 l+ C, f2 z
, H7 \0 J" ^7 F
U-00000800 - U-0000FFFF: 1110xxxx 10xxxxxx 10xxxxxx
0 T4 j+ z- }" j* {$ Z4 s
5 F; H t, k. o' Z/ ^" ~ U-00010000 - U-001FFFFF: 11110xxx 10xxxxxx 10xxxxxx 10xxxxxx
9 E: K! r0 A2 m$ u1 X* h6 p
. x6 c1 U7 `: h3 @; | U-00200000 - U-03FFFFFF: 111110xx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx
6 A6 ]2 A; L: u5 R
% l6 O. l3 O: [ U-04000000 - U-7FFFFFFF: 1111110x 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx
6 p1 k* P! ?' g7 \. [8 G7 x
) r h+ ~+ Y7 _. a+ T 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
| 