|
 
- 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：
/ o+ a7 J9 |, l2 f# U% X$ T. p, ]7 l4 C& v) M4 m) {* O
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。
1 [1 p3 P$ @; P( U. J0 }8 D6 R7 Q% _9 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。
2 t: j8 p* y" a) M( I" W7 X; m
1 Y$ }4 W1 k3 D 2、台湾，香港等地使用的是BIG5编码0 C$ Y6 v3 c' g, j4 c( k8 {
) }' K5 A! T8 H* T; _6 C
3、日本：SJIS编码# V- k5 u* V: I: `4 k& y
2 U1 |5 T% a+ i4 G1 E8 N 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。3 F0 W" v' w- U" I H1 U% ?# C
6 O4 I/ T7 j$ M+ ^6 { 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。" i6 a4 }: s+ J4 C2 ?' M. Y: |- l
0 N7 ^) A! ~+ S0 H4 x
Unicode的学名是"Universal Multiple-Octet Coded Character Set"，简称为UCS。& g" I# G$ o7 M, s( X
8 {! F: u* G/ Y4 a; @3 m) M- p" u 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
$ R( C" v6 U4 D+ d# l1 R
; Y V# V2 y0 N. Y/ \' d 20000-20FFF - 21000-21FFF - 22000-22FFF - 23000-23FFF - 24000-24FFF - 25000-25FFF - 26000-26FFF - 27000-27FFF - 28000-28FFF - 29000-29FFF - 2A000-2AFFF - 2F000-2FFFF
$ O( P- b/ C6 l1 @
0 K* e! j# H; ^$ l 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。
4 H8 l3 A( S0 h( N$ e" _
4 h' c6 {* s+ i. c- @3 b/ D L 什么是codepage?codepage就是各国的文字编码和Unicode之间的映射表。
, u6 {! J, _* b$ f
$ ?7 B" @( ?- [# ~$ j* }+ P& F4 W! b 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 W% o0 M$ B( A* F/ ^6 B6 }; I
& U9 X1 I1 ^! S [) o, g codepage=936 简体中文GBK- K3 ?- F, {9 B' S7 c+ c' K
/ M6 |0 `1 [) a0 n' [
codepage=950 繁体中文BIG5& ^( k/ Y0 K" j$ i
: X. U+ e5 r1 A, X/ ^0 X( v codepage=437 美国/加拿大英语
" y3 K& O3 s1 x/ R) U( G
; w* m |: ?" C& C* f codepage=932 日文
/ g9 _; r; f& }/ s8 r
6 r* ]4 M9 Z& e codepage=949 韩文- i) H! x( ~. V% F
: g, h* n+ }- h$ m: q$ m: Z codepage=866 俄文# V5 U' }. u: v
* _0 T' j. t* K2 w/ v+ B+ H; c
codepage=65001 unicode UFT-80 ^" L) M4 c* b/ e5 @. s
W9 N4 T: [$ a4 ] 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。
) p; \0 R& L' |1 ~/ Q) ]
) U! {. q/ G& W1 T: u Q 从936中随意取一行，例如：1 l, B4 e% W' U# B
/ ?+ _7 F e4 ]
0x9993 0x6ABD #CJK UNIFIED IDEOGRAPH
" L' v8 Y- b4 {" e# E# v6 k: o6 c7 [+ S9 d
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。) a" I+ K: y. `/ c8 @; R H
6 p6 J. b" h& k+ u0 C8 I. V( G 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?
8 B, W# _( G5 y+ l2 ^1 C x, R* g; j! e& ^: ?, J% n
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?
! t! f& V& c0 U0 J% J
) b7 p. G# q; D) B3 V a) l$ t 例：
6 t- r. Z6 R! P' E6 Y+ q( P2 c2 D/ r5 s5 G
E4 BD A0 11100100 10111101 101000007 ^+ V; `# W. n& o9 n
: H- ?+ f$ R/ T7 ^
这是“你”字的UTF-8编码6 t5 I8 p6 B* Q4 b, w& k$ K
2 j% [; M9 m! A! \( p! O) P
4F 60 01001111 011000003 I# X s1 k2 F
. T/ v8 c" Q' d5 G, G$ e5 r- a V) D 这是“你”的Unicode编码/ h7 v& w5 j( ]1 t5 Y9 S1 e
0 \1 z: j& Q$ |, 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。5 b3 Q4 ]+ N8 w# f$ R
- e- v8 _6 @' v; p$ w' J/ B 以下是Unicode和UTF-8之间的转换关系表：) H r) K4 \# _- \4 a4 K
6 v2 @8 J& l6 |; Y6 i) @+ |# K U-00000000 - U-0000007F: 0xxxxxxx9 S0 U+ G& C$ \4 v- |& b! D: i2 g8 o
, N' w; r0 B) P0 W9 t( x0 U U-00000080 - U-000007FF: 110xxxxx 10xxxxxx5 ^1 a1 C; t9 r
( ?/ R* Y: V- |2 f8 f' B
U-00000800 - U-0000FFFF: 1110xxxx 10xxxxxx 10xxxxxx& Q7 F" Z+ r# O- s
# f: m" M. k% A& {1 M U-00010000 - U-001FFFFF: 11110xxx 10xxxxxx 10xxxxxx 10xxxxxx
. m$ R! ~$ o% F, [# i D+ b# `% a* o3 T' x; l2 H6 F
U-00200000 - U-03FFFFFF: 111110xx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx
4 A3 |0 L2 R i' G& @
4 W4 U9 U$ P9 i9 |/ D6 U U-04000000 - U-7FFFFFFF: 1111110x 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx* ~9 c% h i+ _& I# `: B8 r9 c
* s+ D6 p% G& I& v2 |& {) V
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
| 