|
 
- 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：6 z3 ?8 K) L. m) L& w: p( `; Y3 ]
3 `9 k m9 r2 I* M8 _8 k 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% V# n, G, g v6 m3 T
3 @. h( n6 q* ^ 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。
9 f; d. a; k! _* x
. |% q) p- H& h 2、台湾，香港等地使用的是BIG5编码
$ t/ r1 \; u8 z/ K6 u& ]$ Q3 h% I9 M' q+ J% ^, Q! Z
3、日本：SJIS编码- s) {! F L$ W5 K: z6 T
2 ~, T4 D* f% x) [9 ~9 p/ E 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。
% q$ S; b+ B5 c5 [- w% K$ D- g
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 m n5 R) b$ j! ?2 i$ B. _
5 C8 ^( i7 w8 e/ T) D {) y Unicode的学名是"Universal Multiple-Octet Coded Character Set"，简称为UCS。
" Z3 Y. t8 g2 ~" S# B: v2 ~2 g0 {6 p4 e+ @& |
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
9 C' O5 E& w) W4 T
- \8 n3 ?% Y2 m H8 f 20000-20FFF - 21000-21FFF - 22000-22FFF - 23000-23FFF - 24000-24FFF - 25000-25FFF - 26000-26FFF - 27000-27FFF - 28000-28FFF - 29000-29FFF - 2A000-2AFFF - 2F000-2FFFF
+ T6 n: e5 F9 S6 S: m; O( g* v- |8 u% }
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。
8 k* F' |* |0 b, W0 x1 R
- p! t' D. y# E# |7 v3 J h% T' [ 什么是codepage?codepage就是各国的文字编码和Unicode之间的映射表。
- W; l" W2 [) z2 f! ]
. ^" Y$ H. ]. F0 d5 c" F ` 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。. |4 ~: q! ?/ x/ ~$ |
$ a" k ?* A/ {: l' E
codepage=936 简体中文GBK2 R$ Y4 \0 e; y
* ?4 K% O0 z2 g' ` codepage=950 繁体中文BIG5
1 e& q6 F, I& x4 [" ?- Z. Y9 v% {% k6 S
codepage=437 美国/加拿大英语! m. I9 I' j5 i8 r: v! j }
2 o2 G" T, N: P7 V codepage=932 日文) U8 r8 H/ p }
8 A# y/ p+ N' f codepage=949 韩文+ I! O, b* p2 ?7 ^
/ e4 `* K: {" K4 H4 O- M2 X( |& r
codepage=866 俄文% j7 m" v2 U/ m) o& h( r4 S
; l6 h" k/ p0 E6 k/ ` codepage=65001 unicode UFT-8
! z. X6 h/ ?' ~! _$ j' a
# |( L) {+ `$ K! E n" {% | 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。. E, W; n+ ~; n) }' E
. S' S4 I2 R: T3 K 从936中随意取一行，例如：" ?6 f( x* Q" z5 ]9 L4 o9 }
# H( @8 o7 a6 T: O B 0x9993 0x6ABD #CJK UNIFIED IDEOGRAPH( d! @8 j3 s! P }
" x, K/ @* ^" n, D' a7 @! ]1 \% a6 n 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。% U& J7 E; L2 B: K# ` q* i
T. u7 `0 c; A% W$ k5 T
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 v% f: \3 k* W- I
; t# s, o8 b4 h, ]2 k7 p, g$ K 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?
( K; w2 M. _6 S% l% x+ w$ A/ t& Q
例：% D' [, A. h2 d
2 ]0 o' ~/ H; O2 G/ r1 c; O E4 BD A0 11100100 10111101 101000005 \; p4 j& p" s& d7 D5 F8 [
1 p1 i: c* V+ c& Y) s 这是“你”字的UTF-8编码3 M) \1 n W' n
5 F8 U S2 K. d$ O8 m6 V/ m
4F 60 01001111 01100000
% ^7 c" s+ x! H
$ d6 x3 |7 z4 \ 这是“你”的Unicode编码
$ }+ p' D( |. F( k( o! ^* j7 @+ _( v. [8 G8 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。
$ b3 ~+ T* I$ ]6 ~ }7 a& ~1 I
! D) S, Z* U K 以下是Unicode和UTF-8之间的转换关系表：
b# p7 x7 c7 C: j- s" w- R4 l2 L7 H- l
U-00000000 - U-0000007F: 0xxxxxxx
6 W( M6 i5 {! @( u2 C
7 k2 ^) `% J: b U-00000080 - U-000007FF: 110xxxxx 10xxxxxx
. ]1 n* X- R% \7 h* z; x' S, x& k4 U' z5 U0 m( c. Z6 P) V
U-00000800 - U-0000FFFF: 1110xxxx 10xxxxxx 10xxxxxx
5 A7 g5 ^$ T7 o' F/ H6 K0 f! I
7 p f. B) n/ W0 A U-00010000 - U-001FFFFF: 11110xxx 10xxxxxx 10xxxxxx 10xxxxxx
' U, R- Y0 N$ A4 w1 Y+ g7 o; M- A$ C* Z! g8 A
U-00200000 - U-03FFFFFF: 111110xx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx
' u2 B/ `- j' l" ]! Y+ s
4 b M' y- F" k- d, G U-04000000 - U-7FFFFFFF: 1111110x 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx7 F) B, U' ^9 m4 T
7 M$ J! {. }0 M9 X, z: r 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
| 