|
 
- UID
- 1
- 帖子
- 738
- 精华
- 28
- 积分
- 14221
- 金币
- 2401
- 威望
- 1647
- 贡献
- 1349
|
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：
7 ` h6 r$ j" p" ?7 Y
3 N7 A. U8 g4 K, b3 T9 }1 J; s3 Y 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。
% E6 O( _& Y6 Z4 K: C& v( ?& A) n. q5 ^1 Z" 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。 p4 T% O4 h, q, h! h
. Z$ k! P) w7 v& ~, m" |) O$ S 2、台湾，香港等地使用的是BIG5编码
4 X7 r( Z. h' |
" B5 e4 h/ H4 o; ~ 3、日本：SJIS编码
# g# w$ l' w8 |5 [. J/ H* ]/ I6 _- j" p
1 q0 J/ `) _5 ~* P 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。
: i0 g8 K+ @+ n6 O( s0 R6 n B) j0 {" b: k6 A N
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。$ `/ k: }7 k4 M
2 K6 Q+ s3 E' o$ m7 o! m$ J
Unicode的学名是"Universal Multiple-Octet Coded Character Set"，简称为UCS。* j+ Y0 u; K+ F4 D/ c* x
1 c9 i1 O }+ W3 }, x6 V. 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
! d+ z: d7 p! `3 H' ~+ p( `
$ l2 m! U4 H/ N 20000-20FFF - 21000-21FFF - 22000-22FFF - 23000-23FFF - 24000-24FFF - 25000-25FFF - 26000-26FFF - 27000-27FFF - 28000-28FFF - 29000-29FFF - 2A000-2AFFF - 2F000-2FFFF0 y' Z1 [: ^) C1 x9 D8 }3 t
+ L$ S& q, w2 i
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。6 G/ O. y L3 M7 r4 N
4 U* I: R9 B) B 什么是codepage?codepage就是各国的文字编码和Unicode之间的映射表。
1 G5 h/ a& m( S: H
' _9 I" g7 u; G) K, I8 Z# ^ 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。! q3 u1 D: ]1 Y) f* y8 t
2 T5 x8 q( p3 y4 X
codepage=936 简体中文GBK9 k, {/ F N6 A1 G
( T6 ?( H% L: S% {+ U. h% `4 P6 v codepage=950 繁体中文BIG57 e: w/ x3 Y: T w
+ ^# t: Z( N( H2 m. I
codepage=437 美国/加拿大英语( ?& ?- Z% y( X4 n, a$ Y* |
8 S1 Z1 ~5 w/ U3 h- A! K# L+ G1 U codepage=932 日文
% A0 p* s# t, {# M# e' B1 Z
0 r/ _' b) D8 K" Q! d( m, g1 @2 E codepage=949 韩文
6 a3 w2 w" W$ q! ^+ p/ h. u' M( Y, L' m" `# L
codepage=866 俄文
8 _" T1 ~! Y% Y+ j
: G' b% n/ r' u( o% K2 @+ n* ^ codepage=65001 unicode UFT-8. p+ _+ ~8 P6 a+ v/ m+ K5 H6 y
" c5 f* S" j/ Q' U
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。
5 b$ |& G! }* p; T0 b# _ z$ `
6 ?6 \2 f: M0 e' @& L: F @ 从936中随意取一行，例如：1 ^8 N4 y1 U! L# `
( [3 f% r" h& `" L9 m# s
0x9993 0x6ABD #CJK UNIFIED IDEOGRAPH
+ m) w6 ^+ f8 `3 X) }; c% b7 ^( _. T/ K2 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。) P; }9 @; w3 W6 }* b
6 V9 F K. U! X' n 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?# W( r% Z; P: p6 H( \
6 d5 r0 U A+ f, ?; o
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?
& J7 P8 P6 v+ l" x4 H( n1 f( `: o8 I U6 Z8 z! Q" T4 ^
例：4 b1 E& x# x% f8 F. P: V
~2 f; V- K3 u7 Q/ `! p
E4 BD A0 11100100 10111101 10100000
2 k0 j) p$ n: u8 e# D3 j2 x0 d3 B; ~4 z" w; m9 a3 i
这是“你”字的UTF-8编码! e8 e& X4 X2 s% c" O# n
6 U7 d- l; {% ^8 t& ?4 u 4F 60 01001111 01100000
3 a7 [5 c/ {: C# n* g
) Z) R% j% D5 E i' R& `3 p 这是“你”的Unicode编码 B& N w# k4 r' A, ?" p/ ~
- q7 r- E# K( \9 Y% ?7 U 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。
3 _; V# {" |/ h5 y) l
; E" X6 I5 S: a 以下是Unicode和UTF-8之间的转换关系表：1 F% a2 |2 h7 c8 c
7 f. [/ [8 ]+ [3 Z. N
U-00000000 - U-0000007F: 0xxxxxxx, E7 u8 w( ^; I- z, @
7 u# Q& U( T9 N' N+ o2 a7 f) [ U-00000080 - U-000007FF: 110xxxxx 10xxxxxx8 F7 P# R3 T# s- ~
) H6 w- k7 p/ w& X/ W
U-00000800 - U-0000FFFF: 1110xxxx 10xxxxxx 10xxxxxx
7 M5 x* Q" f; H a, m( C/ W# t
5 Q) f" }* B/ @0 y/ U U-00010000 - U-001FFFFF: 11110xxx 10xxxxxx 10xxxxxx 10xxxxxx7 @8 c7 h) G, r! l* k
7 r. y. S$ F8 L( d& O
U-00200000 - U-03FFFFFF: 111110xx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx
1 H& Z1 Z* |7 S- i, M4 F& u6 x! y7 |% V. _
U-04000000 - U-7FFFFFFF: 1111110x 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx O7 ]3 ?: F n2 C1 D
# b1 y) y/ x: t3 d8 Y; i/ m0 J+ b
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
| 