|
 
- UID
- 1
- 帖子
- 738
- 精华
- 28
- 积分
- 14247
- 金币
- 2414
- 威望
- 1647
- 贡献
- 1362
|
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：& h5 ^' I! L* C% R; `, A
& o. K0 W" X# H" C" H) @! {$ U' \9 A 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。/ r3 C; p( B9 U- b# _, R* Y: j
l: l3 ~: ]3 V0 G 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 H" G+ v% M+ k" Z$ `. ^/ D) ]! l3 N5 u; _8 G/ Z( z
2、台湾，香港等地使用的是BIG5编码6 k9 P2 |( ~' P# N. A' K" S
. G3 f$ b! y1 k ]7 n h6 z& j 3、日本：SJIS编码
8 R7 [! }# f, M, o2 e; f. J q0 w7 E6 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 i: X( w* ~6 v K4 o7 _' s! Q A8 v, k; t
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* h5 n! E `- F L$ `
6 R% a5 S! m2 I9 u! | Unicode的学名是"Universal Multiple-Octet Coded Character Set"，简称为UCS。/ o0 ^7 G2 l( a" C; R( O" L N' p
* z& R9 w9 y. c' A. Q8 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
$ a B, b$ Q Z# x: K9 n2 m
y E8 x4 s( o2 |5 k 20000-20FFF - 21000-21FFF - 22000-22FFF - 23000-23FFF - 24000-24FFF - 25000-25FFF - 26000-26FFF - 27000-27FFF - 28000-28FFF - 29000-29FFF - 2A000-2AFFF - 2F000-2FFFF
. U7 b( S- N' b
5 u. T% B5 p9 t3 `# ^. X2 q 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。
, z0 \3 @3 F+ z9 E8 E' j
' M. x4 P3 w7 @5 s 什么是codepage?codepage就是各国的文字编码和Unicode之间的映射表。
5 ?, b: {. h/ i/ ~1 }' a0 ]5 l) q! n2 G1 y0 c% [9 P
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. ^ x1 {9 X
4 ?+ ^ w; E l, s8 B% Q codepage=936 简体中文GBK
% n: }' h# A3 L# o5 i; `" ~: l' \1 s! d
codepage=950 繁体中文BIG5
) `1 e# j1 B* r- ?8 z
( ?5 W6 i8 u: N codepage=437 美国/加拿大英语
7 U2 I" S9 w/ ?: {* W, Z8 y! t+ c/ P" t
' R7 ?' \, O7 L$ W+ J codepage=932 日文5 t/ f2 V' D+ G! e
3 Q! a# |$ M. _' }( T- Y codepage=949 韩文( M) ^2 U3 e+ k
4 r. P9 J5 ^" }' V2 {
codepage=866 俄文
3 ^6 W: Q2 s3 D4 D; r! d; L6 Y C r, A# H* M
codepage=65001 unicode UFT-8' m9 s# J/ t8 a+ D
) N2 K0 ~4 Y/ ]1 a/ B! P
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。
) N7 S7 x2 t1 {6 U
6 m0 Y c2 r \2 W4 { 从936中随意取一行，例如：
' _8 {/ z% g7 z" y
2 B7 t9 ~- Z, }3 q1 g 0x9993 0x6ABD #CJK UNIFIED IDEOGRAPH
5 T/ U6 ^, h5 c9 h! a
2 X$ o% u# Q: D9 ^; L 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。
. Y- r5 e% M5 J0 n: a
- L7 q& H$ Y% H; D 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?
( k1 X, O5 j' d2 o" m- B% F
& f& g* k, d# M: _ 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?
% r& i& ?% e- i2 J
}) C9 K* J3 ], l 例：
: }7 v9 L! Y$ f
2 B5 u& j3 n4 ?0 V$ Z E4 BD A0 11100100 10111101 10100000& h* U+ Q. f# H ^# h8 }; U" K) t
% b( o% t: S L7 |
这是“你”字的UTF-8编码
$ \' x& o3 c2 |( z
9 O7 f9 o. F! ?# |& `& }9 W 4F 60 01001111 011000000 K* w/ N! |- D5 u4 k/ s, c
. u5 H! x8 `3 u9 r" W9 v! g 这是“你”的Unicode编码, d# W, O# i% ], X
! i/ Y+ |5 H, C
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。
r% S& g! I& J t/ C6 i% \0 s; I* v& y/ @/ V
以下是Unicode和UTF-8之间的转换关系表：
# _# m$ y, f6 W ^0 j; ^( S9 s& U
U-00000000 - U-0000007F: 0xxxxxxx2 u+ T9 L1 B3 T
$ Z9 V. ?) S9 H- Z9 f! R U-00000080 - U-000007FF: 110xxxxx 10xxxxxx
- X8 \ ^7 s5 P, G; b, d/ l: ], g; H+ t( |8 f5 g/ v
U-00000800 - U-0000FFFF: 1110xxxx 10xxxxxx 10xxxxxx
- B2 `: e h8 T( \2 E% @+ D: F7 ?, g
U-00010000 - U-001FFFFF: 11110xxx 10xxxxxx 10xxxxxx 10xxxxxx; A% G0 k* ?+ U; ~+ d$ I2 W' {
/ f" r) O/ ~) s
U-00200000 - U-03FFFFFF: 111110xx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx% G; J" H! e J' R6 U1 r
! S' q. ]3 W2 |1 U' A& z2 P U-04000000 - U-7FFFFFFF: 1111110x 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx# }, }0 k7 S5 Y+ R( X! R& o
, J; P0 [, q3 R7 [2 x% J 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
| 