|
 
- UID
- 1
- 帖子
- 738
- 精华
- 28
- 积分
- 14347
- 金币
- 2459
- 威望
- 1647
- 贡献
- 1407
|
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：3 e& j! k4 V; l( {
* p5 z9 K" d) c) h/ Z# f
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。
' s* v1 h5 M7 r' R* B$ ?- d1 L% L3 h" q9 T
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。3 {9 p6 b! D2 ]6 U$ V5 X3 _) S: r
* q: A. q0 g; {6 O% a+ H& i
2、台湾，香港等地使用的是BIG5编码
" n1 D6 i5 s& G% o) e& q, P/ |3 }& o- s. U5 Z: T
3、日本：SJIS编码
- v/ h" ]% L7 W9 J: ?" G
0 Z' y" E8 K0 h1 F" I 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。' G, [" L S/ V; l$ C4 i3 @
" J3 s! f9 \* I$ [
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。4 Z! f7 I# k' f4 X' Z" U" E: c
9 n' G v$ p5 g; U Unicode的学名是"Universal Multiple-Octet Coded Character Set"，简称为UCS。
6 w/ i4 e8 O1 X u, U2 }$ n: L6 A& P: p. i" I' c
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+ y. I( x; P2 |% A
8 q( ~/ y' p( w$ ~+ R
20000-20FFF - 21000-21FFF - 22000-22FFF - 23000-23FFF - 24000-24FFF - 25000-25FFF - 26000-26FFF - 27000-27FFF - 28000-28FFF - 29000-29FFF - 2A000-2AFFF - 2F000-2FFFF
7 G6 K$ B2 C& z& A/ h; ~5 `- d
# _7 i; U4 u" j4 o' R 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。& {0 E& | |9 @6 W; x4 |: p, H/ c4 z: c
, G9 V' s6 h) d# a" `
什么是codepage?codepage就是各国的文字编码和Unicode之间的映射表。
9 d* |- I1 k8 E" L5 v$ W+ ~0 l
, T* i% w- E- { 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。! ~( z/ @; `. r/ v# G
2 d' {# L& a }- B
codepage=936 简体中文GBK
; a4 F# Q# Z5 z( r8 i W6 J% Q$ z" T
codepage=950 繁体中文BIG5
/ H# Q: q* }+ V- ~
$ N+ `$ f) q4 b' N) s# Z, N codepage=437 美国/加拿大英语
6 _2 X9 r' z. Y& z* |
# {4 y. m& ?$ i- G* \ codepage=932 日文. l$ y; `2 P$ x- |3 c
4 \+ J, ^+ d6 D9 B9 h codepage=949 韩文4 F- Q; L, O5 z# m
# u. @$ J' x' c+ ~ codepage=866 俄文
& B9 p7 i8 h* ?! d
; c( f* B n% _5 n% i codepage=65001 unicode UFT-88 O* d' A' o# g5 n$ n5 x
7 p, s! ^5 O. {# D+ H 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。 t {9 S! ]7 c/ F& v
% {* \6 V% U- b9 t8 f! c+ H 从936中随意取一行，例如：9 I( {+ J/ g- T ~& Q
5 a- t7 e- v. N: _5 z
0x9993 0x6ABD #CJK UNIFIED IDEOGRAPH
9 Z( p; ?( Q& _1 l+ u; {0 i# L, v& `8 v3 q" 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。
/ D8 a6 y4 y/ q/ c3 u" R. z$ T4 w
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?
. {7 s3 e# |" i& i% D8 E7 G
o6 a7 W4 g4 O0 M3 p4 ?0 V. \ 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?
: C+ x* I; h+ C* d- R; `, h2 a9 i! W+ {* I, v/ l+ v
例：
* a, i+ }. @+ d8 _) D4 e6 ~
# D& N) S7 v- g$ H( O E4 BD A0 11100100 10111101 10100000
& k3 c: x# U: Q
! r6 \1 J' g7 f2 |- [! A1 e1 \, D 这是“你”字的UTF-8编码$ \% A% V6 A! {4 A" Q; I4 `
. g* ?( l$ |2 ]" A 4F 60 01001111 011000001 L; M+ D& b+ \: ]* `
, s5 N# [+ j5 x- ?0 M9 C1 @ 这是“你”的Unicode编码9 V I9 j2 {, r$ _3 v z& C
9 R1 @. H# s/ _$ m 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。
) J$ |7 ?# ?+ }1 M
* |0 V6 z* x) n4 W! X 以下是Unicode和UTF-8之间的转换关系表：+ f$ C' u& o% I( Y
& q7 a. n- t) a, }6 e1 m# y
U-00000000 - U-0000007F: 0xxxxxxx
! V9 S# e4 @. O6 f) j9 i. ^5 ~; n+ S; l
U-00000080 - U-000007FF: 110xxxxx 10xxxxxx
- ?. |, s$ i" q) n) Z- K; d8 J
+ j. W' l2 D8 ~# S. O U-00000800 - U-0000FFFF: 1110xxxx 10xxxxxx 10xxxxxx
1 k8 j9 K) C0 f# I# c/ d& D; q( c3 {0 ]: v% c# h7 `5 B8 f
U-00010000 - U-001FFFFF: 11110xxx 10xxxxxx 10xxxxxx 10xxxxxx
7 F; N# \5 d' Q; ?$ C8 k: e
+ D" f- z: N" ^5 d U-00200000 - U-03FFFFFF: 111110xx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx
: I9 L) K, @% s0 X* ?; m8 \
7 m# B3 i) V9 ` U-04000000 - U-7FFFFFFF: 1111110x 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx0 N6 w( U7 \# s- Z# V% c+ ]
$ q, l1 M ?" s9 G0 G" U
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
| 