|
 
- 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：
. Q4 @, Y5 u" I; }, P$ H0 [! s: N. K9 |4 k5 g
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。) H& u, b2 D1 O2 O: \6 S( A
; m6 }2 i" d' C. O9 G% P3 a; j+ x! 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。
, I8 _1 v( e; C# I& r8 o2 s1 s) u8 V9 i2 K* ~* I2 I
2、台湾，香港等地使用的是BIG5编码
/ e( ~6 V. e! ^: h* L8 A; p3 B+ }2 j$ h3 ^3 K% J9 r6 s
3、日本：SJIS编码" s/ H$ r. P6 |$ M4 z8 U8 M
3 D& V6 e+ R/ t3 t
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。1 d; f1 C& ]6 w" X+ L4 @2 N
' N& x4 E- V8 C3 m* X' j0 [! u
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。8 J, c4 @- ]# a0 W$ F$ }+ I% q7 C
: R; v$ b/ G3 v; m/ m
Unicode的学名是"Universal Multiple-Octet Coded Character Set"，简称为UCS。6 p- m% X% }5 @2 u4 }
5 J' U) r1 d* x$ d0 y1 w
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
/ m2 E& g z. E( P+ ]2 @5 `0 r1 h* O- ~* c! {7 v; T
20000-20FFF - 21000-21FFF - 22000-22FFF - 23000-23FFF - 24000-24FFF - 25000-25FFF - 26000-26FFF - 27000-27FFF - 28000-28FFF - 29000-29FFF - 2A000-2AFFF - 2F000-2FFFF
/ ^1 q& }5 b- b
1 ?# z2 r+ ^( }' R! g) G* K5 { 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。* p0 j7 H' L0 f0 f- t% X7 D% K. N
4 }- c) _* m b/ n5 c
什么是codepage?codepage就是各国的文字编码和Unicode之间的映射表。! J9 B/ A9 ~/ s" h% r8 R" F4 s
2 ~9 F& g* l' F$ {6 @( V1 K
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。2 |2 j3 S' R/ k- S
5 Y8 n' E( x+ ~/ @ codepage=936 简体中文GBK* ?( _5 ^! e/ k: ~* {8 ^0 t% l" r
5 f2 p. B. _& ?1 q$ W1 ] codepage=950 繁体中文BIG5
+ s7 y E% R3 ]3 N; k8 R" N) Y$ ^1 C$ k
codepage=437 美国/加拿大英语
, }6 P3 p3 g9 a6 D8 F, M
_4 w J4 s+ U" e l. S7 U2 n codepage=932 日文' `; }9 U* x/ N9 o$ T* w# `& o& H
6 }. l4 x! n% o
codepage=949 韩文
1 G; {5 U* S v( i1 a) N+ `9 c' H7 j# g
codepage=866 俄文7 Y% N7 k% K8 m3 a. ?9 R# Y
0 a+ x: V+ O, O2 |2 K codepage=65001 unicode UFT-8
/ t+ D T ?4 p( l) |- n7 Q9 K
4 D! j) R9 `" X 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。
+ ]1 J; @9 ^- i, K* N
) R; i8 f' Z: W' v1 D9 t 从936中随意取一行，例如：
. ?3 H6 E4 F! z- v! B, \
6 h6 S% f* v3 W8 |7 e 0x9993 0x6ABD #CJK UNIFIED IDEOGRAPH
8 ]$ G% o y5 ?: j6 \( G3 u8 W" G! G3 n- v$ I' e
前面的编码是GBK的编码，后面的是Unicode。通过查这张表，就能简单的实现GBK和Unicode之间的转换。0 ~! ~9 B" b9 l( [% C
! ^- B( A' j8 ?, [ 现在明白了Unicode，那么UTF-8又是什么呢?又为什么会出现UTF-8呢?
6 J) h5 v4 a; H2 Z7 T$ D; F6 a
4 s$ I1 F$ W6 X1 F. a. Z0 M5 f ASCII转换成UCS-2，只是在编码前插入一个0x0。用这些编码，会包括一些控制符，比如 或 /，这在UNIX和一些C函数中，将会产生严重错误。因此可以肯定，UCS-2不适合作为Unicode的外部编码。因此，才诞生了UTF-8。那么 UTF-8是如何编码的?又是如何解决UCS-2的问题呢?2 o/ d2 \3 ?" O
8 E3 I$ B6 K5 C: X- J5 B' L 例：
- L7 O! F1 ^- L# I# J7 r) ~' R4 i' [: C2 p- M# ]# |: O5 @
E4 BD A0 11100100 10111101 10100000* E0 ]3 \5 k2 g# U" ^
3 W1 y" i5 q4 d% f, l 这是“你”字的UTF-8编码
2 \* v' ~. j: i# W
F, S1 Y% i- l- A8 C8 L0 f7 Z, G 4F 60 01001111 011000003 U+ p0 T" |! Z2 @
2 q& H/ f+ {/ Y, {. i* R 这是“你”的Unicode编码- t9 k" |* b+ G1 @+ D" C
; b% S* [# n) e: A9 a. v$ d& `+ J
按照UTF-8的编码规则，分解如下：xxxx0100 xx111101 xx100000，把除了x之外的数字拼接在一起，就变成“你”的Unicode编码了。注意UTF-8的最前面3个1，表示整个UTF-8串是由3个字节构成的。经过UTF-8编码之后，再也不会出现敏感字符了，因为最高位始终为1。; s* C: b+ `: p* F0 j: Z+ v+ L+ k
& }% a9 q( r' E 以下是Unicode和UTF-8之间的转换关系表：' h4 D/ Z0 Z+ B: D$ H7 g
1 K, S! F4 E( O U-00000000 - U-0000007F: 0xxxxxxx
3 e7 w4 W5 n% f: m8 m1 W( k$ y- I, Q& Q& z5 H e* Q( {+ {/ Z
U-00000080 - U-000007FF: 110xxxxx 10xxxxxx
) q" ~ e% M2 {
- R. T& x+ j/ ]' a7 H2 d! M( c, O U-00000800 - U-0000FFFF: 1110xxxx 10xxxxxx 10xxxxxx# c: l7 x: E1 g! t4 ]
6 b. Q# I3 w! {- B$ W9 T3 Y U-00010000 - U-001FFFFF: 11110xxx 10xxxxxx 10xxxxxx 10xxxxxx
. `! e' J5 B5 P0 {6 j% \
; a _( d2 b! F% }5 g' b9 b4 [ U-00200000 - U-03FFFFFF: 111110xx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx
4 `) r# i( ]' h/ @& L# K( p( \) k3 S) s" r
U-04000000 - U-7FFFFFFF: 1111110x 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx( c5 j. U% H, ]7 e p& T
& h: x2 E5 C! A! y$ L+ n- g3 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。 |
|
发表于 2008-1-19 23:35
| 