|
 
- 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：
2 O0 q: I* V5 N, d( z
, e% P; I) Y( \2 y% P" P 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。
Q f6 V! j( T7 T7 }0 @+ Q2 U( `# v. `' X+ Y
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。8 w& r& e, N; l
2 W k3 ~/ \ F, [3 e' v8 ?5 e 2、台湾，香港等地使用的是BIG5编码
?! ]/ k: g1 s& }+ Q/ S; [7 q( n* ^
3、日本：SJIS编码& B- c4 N9 R b5 d$ M U9 X
+ F* J' D. |# X- r2 n/ X
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。; A' T$ x& I; f' M! K
8 A6 I* `/ P# L; u; d! D 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。
. ^5 q6 h# g7 R- [( _" d! P# b1 a3 ?" Q; s' c5 o
Unicode的学名是"Universal Multiple-Octet Coded Character Set"，简称为UCS。
" P: s& h5 S9 P6 w+ M4 c! G5 g# ]6 N# n6 [
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
0 C2 m/ K7 D0 V! ~7 F$ K) y
, u0 H& v* {# p8 w; y" ? 20000-20FFF - 21000-21FFF - 22000-22FFF - 23000-23FFF - 24000-24FFF - 25000-25FFF - 26000-26FFF - 27000-27FFF - 28000-28FFF - 29000-29FFF - 2A000-2AFFF - 2F000-2FFFF
( x* ]) e7 i% U
' }3 J, I4 h# G) f5 v/ \' b. S 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。; E: v5 K. Q# ^' l
0 ~0 E6 y% O) @% } m+ u7 [5 \
什么是codepage?codepage就是各国的文字编码和Unicode之间的映射表。
% J+ @. j1 s) \8 q" x8 d7 n! g8 D" u8 x+ |0 B0 G0 u- q* ]
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。
; z2 ^9 h# L9 V# ~3 M, C' N% @ C' i, @& ?
codepage=936 简体中文GBK
# p$ u% B8 t! u$ }0 C: Y' J B, `. U* d, l) v
codepage=950 繁体中文BIG5
) B v, V* J) K/ m: d& f# d
0 o" x8 x+ j: W' _9 g5 R codepage=437 美国/加拿大英语+ m! n3 {7 R/ X& q' |& Y/ @
: i+ C# h5 h1 k, \- X, P
codepage=932 日文9 R- D( I& u% @* @
1 }% T: P( |. @: C* |2 i codepage=949 韩文( u* L1 w$ y; G% l5 y
( }- R+ S n* ?- d
codepage=866 俄文
: P# P8 C, i- E4 K2 j: j' J# F5 r: W& s: U
codepage=65001 unicode UFT-88 X$ B0 v& Q% d8 V& V K1 O
. L/ h) G+ J" B& I/ i/ c; _: 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。
: ~/ z4 C. \% Z4 u% m+ P7 }
* ?8 O. t. m% r) T% ^; E 从936中随意取一行，例如：
0 y& M- x3 O3 C* q. O) y* \
. L7 B% w: @, Z5 G8 T# r: f- C+ }( R 0x9993 0x6ABD #CJK UNIFIED IDEOGRAPH" j7 ~& [* L' f U: F; B. @+ R9 x/ e
+ _# n" M7 [7 i. k3 Q: g n- 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。
1 ^; `7 J9 D9 N; a) s
4 l+ i- D2 U$ } 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?
% x% f9 A: Z8 j3 O$ X3 J
( `" L/ p1 Z" B* Z) P: Z 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?
+ L% j: D2 `* }1 M u8 |* K
# f" _/ h) j1 G: u2 c 例：: m1 X! \6 O: i
. p; n! \, c* ] E4 BD A0 11100100 10111101 10100000- } U" D# K3 w. e
6 b% H' s( R( X6 H 这是“你”字的UTF-8编码
9 e& ~ z; A& x4 q. S* f5 N2 ]0 u9 }* q/ P) p9 R/ b/ Q/ a
4F 60 01001111 01100000
1 r7 o( _3 v! Z# o- @/ e7 d4 F }0 X0 O! N, q! m N: e
这是“你”的Unicode编码7 R3 g5 U% |4 N! H: K, ]) b+ P( G
- E6 y- H% s% ^( 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 g) Z/ R" e# d
; G) Y3 n3 C2 x; K) g1 p ? 以下是Unicode和UTF-8之间的转换关系表：7 v. _4 p6 O6 `; P+ x
9 L$ u# M$ ~& X8 T$ c2 S7 r U-00000000 - U-0000007F: 0xxxxxxx6 G' ^- Z- M. b
2 g! I# V( J, R9 K3 S+ | U-00000080 - U-000007FF: 110xxxxx 10xxxxxx
3 \ b" r) V# B- u$ j9 ?9 V7 n$ m8 l) q
U-00000800 - U-0000FFFF: 1110xxxx 10xxxxxx 10xxxxxx
: G0 C( S3 b% ~; Y9 q" c$ b+ b3 g/ x* r8 R& v
U-00010000 - U-001FFFFF: 11110xxx 10xxxxxx 10xxxxxx 10xxxxxx. J3 m8 G' r8 J7 b, Z8 Z
2 m3 v' {4 G3 y4 _+ v! _
U-00200000 - U-03FFFFFF: 111110xx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx
! U8 S# n1 C6 U; G; F/ J" G& W
- i# K4 f) w% K9 P8 ` z! j3 ? U-04000000 - U-7FFFFFFF: 1111110x 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx
2 `8 \/ |9 ?+ e
7 ?; S S. G, f( T% ] X- j& G 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
| 