|
 
- 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：: u$ r2 N1 O; Y% _* y# ^
' D2 O8 u" I: }8 i+ q 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。# h8 }. U8 ~. ?+ f* w6 |+ K
- v; h9 i- K2 Q- f
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。
. U+ b- C# a/ J# j$ ^4 ^4 T) i1 m4 L
2、台湾，香港等地使用的是BIG5编码
/ x7 @, m1 O2 V' v; c; l/ H5 M" e! C/ B8 p& x5 c; t1 _
3、日本：SJIS编码: M1 X5 H) {; W8 d" t! V/ ~: p
! C0 Y# @' a* _& ?* G* I: }! B
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。2 e) F4 t1 N8 f8 s$ g3 l
+ N& G% s9 f0 ?+ }8 z; K
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。/ E( ^, N/ s& p* e5 t
; ^* z% J& j9 _8 y. u4 w Unicode的学名是"Universal Multiple-Octet Coded Character Set"，简称为UCS。, A% A2 h6 u% G7 s
4 g& z. y' Y4 L/ t6 H' v8 i/ A
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
+ `3 _& r# E6 n$ D6 `- P+ H- i! l) y; L4 h) s! ~
20000-20FFF - 21000-21FFF - 22000-22FFF - 23000-23FFF - 24000-24FFF - 25000-25FFF - 26000-26FFF - 27000-27FFF - 28000-28FFF - 29000-29FFF - 2A000-2AFFF - 2F000-2FFFF
4 g y; p0 u: f; O2 U. b, Z. A7 q) i% ^* Y7 ?6 ]( h3 ^
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。! ]! a9 q5 @. a3 t/ g
( g2 U, [, B- H: E$ T# |1 q2 l
什么是codepage?codepage就是各国的文字编码和Unicode之间的映射表。' [9 ?& N* z6 g! H% x1 e# q
4 ~6 e, t c( J- ]& i4 U
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。
p% R) M) u% r- ?( u' D, k; a9 l6 n- Q% M9 c
codepage=936 简体中文GBK
1 H6 i) C) S7 t
/ v0 N; `; @" |0 R! X5 D codepage=950 繁体中文BIG5' v9 c7 [ k6 V, R2 Q0 @4 p
4 L/ h1 D1 Q. |" p1 S8 w codepage=437 美国/加拿大英语
5 a0 B: r5 X. R0 }6 R) F/ ?6 Y
! D. H3 i( J4 k2 ?9 T' G3 s codepage=932 日文/ Y: W$ ?( m; j; _; _
* p3 D4 }2 ]! q5 g; J% ] codepage=949 韩文" j. ~* m3 I4 U' O' [
6 d2 C' H& g) G4 d( D9 H( ^
codepage=866 俄文! A/ L. h$ e, Z8 v: r( c6 _& x
. f' @: ^- a9 t/ ]7 T N3 b( F3 o
codepage=65001 unicode UFT-8
+ b7 d. l1 }+ d3 ]5 W7 n7 G0 H- P- `. k0 c2 z/ G( ?* k# x" H7 @
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。
& o! K" U2 T( [ ]3 f! |; f# }+ r! u1 G) V
从936中随意取一行，例如：
4 c7 T e o' A8 p
* y' _: M1 i7 ^' O$ U 0x9993 0x6ABD #CJK UNIFIED IDEOGRAPH: Z: P6 B E0 w+ s+ B
3 G1 h+ V* x) i 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。
7 V; M0 [) G3 o
0 s& D$ t7 H" q0 {$ E8 W7 i 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? v( _+ t, L7 k$ G8 L6 u4 U
0 C9 P, @/ Z O6 W3 V3 T1 H+ B 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?
1 B9 s/ `0 N. e/ }1 t8 K0 U
! H- s' H+ t* p# z 例：
. b" d1 u& k: n0 t( D, J! c. X% W
+ z$ o/ n* H$ J9 ?9 Q; w E4 BD A0 11100100 10111101 10100000
: d9 n4 i6 o1 b; b6 I
: X7 F7 w" j: R; v3 ~2 W 这是“你”字的UTF-8编码
* P4 U6 d; o* K3 T3 C# k$ T" K
0 J6 |1 ?* e) M 4F 60 01001111 01100000
& v$ o! f0 i* c) n- B2 W0 i+ x/ C9 O* t7 p5 q" I
这是“你”的Unicode编码
# e5 [3 B4 M" J( c. J
2 A7 ^5 y/ R8 E- _/ m' z 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。, _4 e: W% g9 z- s% E
/ O9 Z' M' A& j/ J
以下是Unicode和UTF-8之间的转换关系表：1 ^ y U$ u7 i- i- i
' K' ~7 C0 x0 |" ?- Y/ c U-00000000 - U-0000007F: 0xxxxxxx
) O# ]% V/ ?, A5 L1 C5 |' S4 D3 b2 z3 G4 ~0 U2 f
U-00000080 - U-000007FF: 110xxxxx 10xxxxxx9 k6 B. y Z/ j0 X# _' d
) y- ]$ k* z# E
U-00000800 - U-0000FFFF: 1110xxxx 10xxxxxx 10xxxxxx: ~. |# c& @8 K6 U5 E' g C' w- ~
8 b6 E/ z5 G. m) u2 I6 i
U-00010000 - U-001FFFFF: 11110xxx 10xxxxxx 10xxxxxx 10xxxxxx0 s! q9 `1 C4 U, D! K$ J
7 c/ \# }! F0 c
U-00200000 - U-03FFFFFF: 111110xx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx
7 z7 D% g. f2 U% H% M& C/ w5 {# j9 H" X( p
U-04000000 - U-7FFFFFFF: 1111110x 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx
1 p6 u5 N* c& q7 u' A7 P# D+ j1 ~* F3 t: T7 e) p7 x1 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
| 