|
 
- UID
- 1
- 帖子
- 738
- 精华
- 28
- 积分
- 14197
- 金币
- 2389
- 威望
- 1647
- 贡献
- 1337
|
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：
' \* y2 \8 h) u1 N8 n0 O4 o. D m1 a i$ x6 u
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。
* ]5 W8 `2 i" q% Q- u2 u2 J* L" C% |6 Y u# d1 U! t S `7 t0 p
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。& E& {8 A9 H- i4 j; l; `
) ~; ~( y4 a( |" o& Y, \& q 2、台湾，香港等地使用的是BIG5编码' j5 c7 k6 e0 h% o& ?, m) X$ M! M" F
t+ G% F. T3 q. X* S D7 N 3、日本：SJIS编码 \6 L. G$ W* u$ C) j, ?7 k! j
8 {, ?( R/ z. t- B8 \; V: K
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。
* D' I3 |8 X* m/ |* X, l
' C7 I: \4 \7 @9 ^' R 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。7 @+ [1 N) g8 N0 k3 a- M Z
# h* n: Z0 |$ ?+ J9 J, i Unicode的学名是"Universal Multiple-Octet Coded Character Set"，简称为UCS。) l& ^# o( n+ G! p/ O9 h# c: |3 \
5 h& D( q' `" `! d: \) u. k4 I 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
f/ x1 c9 f0 X+ p2 \
- n; C( i, e4 p& d2 }+ Z 20000-20FFF - 21000-21FFF - 22000-22FFF - 23000-23FFF - 24000-24FFF - 25000-25FFF - 26000-26FFF - 27000-27FFF - 28000-28FFF - 29000-29FFF - 2A000-2AFFF - 2F000-2FFFF2 A% w5 {, z3 V
6 }4 t6 y! n8 M3 D1 a: |$ M8 x 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。
( Y6 z1 L' Z1 o2 X) [* b
- T! v, ?! y) m' f5 L3 c2 _ 什么是codepage?codepage就是各国的文字编码和Unicode之间的映射表。' Y( R5 p3 [0 w8 O: Y
# D6 r( v( f" j$ D3 j8 I3 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。
3 f8 j3 a; S1 E$ O) @- x4 |1 n* ^) a0 t
codepage=936 简体中文GBK
2 W! |3 T8 ?* H( U
! a8 |+ s; [* V9 d# O/ { codepage=950 繁体中文BIG53 W" Z% N$ m3 }" V
4 V$ a, w$ V7 x4 o6 g codepage=437 美国/加拿大英语
9 F0 h9 y, ~' _7 I. Y) A5 F) s
& v& f! z; @; R codepage=932 日文7 V' F/ ?" }6 u$ e- L
& H- F) B$ C4 D6 d' I' {4 k2 [
codepage=949 韩文
- m$ m+ |' X* t- k. T# E
; s, l) k- X' `5 ?4 F7 g codepage=866 俄文
) Q2 e. U" r) {+ D
8 ~! o4 ?2 G4 }, a: Z codepage=65001 unicode UFT-81 Y, k7 B& o: I
" g2 | \- }1 r5 e 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。% i* F) b/ B+ x7 F, w" o+ v$ x5 H
/ G9 f' h/ o, B& r# C# s$ P, x
从936中随意取一行，例如：+ O2 c, l( {/ {* U' _
8 ~- U B" `* _8 w l* O) H 0x9993 0x6ABD #CJK UNIFIED IDEOGRAPH7 v- W: j# G# Z
1 Z {, A9 L E# y) p
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。
9 [$ {0 Q A0 ~ l' g7 f, |! {& B* _7 x8 \( 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?
+ Z. M8 L; x ^5 A
$ z' \. w# L5 F8 r- j+ D 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?2 R7 S: X+ L; v- }0 r2 G- d9 N
0 J2 x. Q5 _- W% h
例：
$ W" y9 n0 } h- g A
0 e& B7 E3 |* c& x: t) { E4 BD A0 11100100 10111101 10100000
3 o; R7 P- t3 }' c+ B1 ^/ r( c1 Y
这是“你”字的UTF-8编码
/ v0 M3 u/ |9 H" X* c& X2 j
" k# j9 ~6 E* y 4F 60 01001111 01100000
2 L8 F# I8 D) z; ]4 O
7 |' l4 D$ @' { 这是“你”的Unicode编码# t; a2 [1 @- g5 e t
; Z9 e7 X9 y0 c7 f0 ~
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。9 J5 o6 c' u8 F
- B1 c; h2 N% f% M; o7 J9 _, y 以下是Unicode和UTF-8之间的转换关系表：
+ F, Z$ \" g, N/ I9 R/ c6 e
2 H) x% p; z. }3 I- {" U* i' d U-00000000 - U-0000007F: 0xxxxxxx8 \6 @6 ? f% W& x
- E- K6 t* K! q5 s! z; I$ e' ] U-00000080 - U-000007FF: 110xxxxx 10xxxxxx
$ W1 d% W+ A- k. K7 J p- T! u: j( q( E; {; K5 L( S
U-00000800 - U-0000FFFF: 1110xxxx 10xxxxxx 10xxxxxx
8 k8 }) M; R3 U8 D* f& h0 S
- k- A) ~( C i* V+ @( e U-00010000 - U-001FFFFF: 11110xxx 10xxxxxx 10xxxxxx 10xxxxxx
/ X0 [! _$ N2 Z% q4 A2 B( ]7 w6 S
U-00200000 - U-03FFFFFF: 111110xx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx% e$ n* Z5 y/ V+ @+ e$ o3 h
! X4 D. ^2 {' k! w U-04000000 - U-7FFFFFFF: 1111110x 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx/ z$ J N# F+ @7 z7 g5 F
/ d' O/ T+ c% d 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
| 