|
 
- UID
- 1
- 帖子
- 738
- 精华
- 28
- 积分
- 14171
- 金币
- 2376
- 威望
- 1647
- 贡献
- 1324
|
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：
% @% ?& D) O& n" t9 }7 N/ p8 S A5 C- j0 J/ g
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。
9 g$ L( s7 E" J/ w: d6 g/ ?2 C
2 A: z- n& ^/ J9 @7 N: p/ j- X 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。
. |) p( _9 R3 I- B- Z5 _+ A) [1 P
1 d- q' ^1 ~2 Z' I2 y( M 2、台湾，香港等地使用的是BIG5编码' j: o: o9 A& H( K0 }
- n9 R2 w) I+ S0 {$ E' [) o 3、日本：SJIS编码! Y o; E9 n: k! W
2 }( Z8 x5 c! d3 M% B, 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。- U6 V) m/ U0 g U8 X
+ x$ x. e! G: x9 |7 V 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。
9 @" |8 p3 t: p6 z' N0 x
% t) ?' Y, n( c# C! O) Q0 j% Q( M Unicode的学名是"Universal Multiple-Octet Coded Character Set"，简称为UCS。
- m3 _: O* w f9 R4 F* J$ W* J
& s) G2 h. w' e7 k7 z8 y+ G6 S6 j 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
5 V5 L: [1 P1 x2 a# a+ K5 n. e! G
( ?9 t) A: I; i: m4 d1 r2 Q' r( J$ _ 20000-20FFF - 21000-21FFF - 22000-22FFF - 23000-23FFF - 24000-24FFF - 25000-25FFF - 26000-26FFF - 27000-27FFF - 28000-28FFF - 29000-29FFF - 2A000-2AFFF - 2F000-2FFFF7 Z3 T" w, a0 `& G
. l4 F l& B) g( K 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。
. V7 k% e4 U) e" v# x ~4 ^8 U$ T, ^" Z3 U# A4 A0 J: W: \3 z
什么是codepage?codepage就是各国的文字编码和Unicode之间的映射表。
+ K) [! Y5 [( M, x% z8 \
$ [) N3 c3 \. r 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。; A- p: U3 p( M. I
+ d2 {" A0 A3 u& W2 V0 i codepage=936 简体中文GBK
7 `& X. W* M1 K0 r) X. m8 C9 n7 `7 l8 \2 o# ~
codepage=950 繁体中文BIG5+ O; Y2 X! D3 f: F) P0 _
, j& W8 X1 l2 u( [& C) |' c
codepage=437 美国/加拿大英语# e& h, f% m( |1 S
# t4 E% M0 [. u' z$ X
codepage=932 日文
2 a, `9 V y9 e- T; S# v% y/ ]- @
# l H: c: a$ k- r0 P1 T6 ^4 G codepage=949 韩文
6 Q$ | d. e- Z; ]) }5 B+ m
* r% ?) ^+ H$ r! R# X, Z5 u0 e8 s9 \8 N codepage=866 俄文
; b, ~, R5 W# e+ t4 P
% J) D; \% V0 C% z3 y" S0 | ?& J \ codepage=65001 unicode UFT-8
3 O$ b/ K) _3 R, Y* y: M6 c9 q% R
- [' s1 t6 N8 s! u( R2 u& t 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。
0 G5 D9 T: |! j5 Y% X& I7 p+ I f: ~2 {3 m& \- \
从936中随意取一行，例如：7 o8 F0 X, G( `1 O
3 L5 z- |- [! }7 s" F/ I
0x9993 0x6ABD #CJK UNIFIED IDEOGRAPH
+ U0 f; N+ J4 D+ U- k E: g3 a* M7 E8 o( X# Q5 `* x8 A/ @
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。/ q3 _, ~) [+ @' L7 C# Z
" X0 q+ E/ B: b: J2 p
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?( s, J( M4 J0 N
9 t% o4 a2 B) z. 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?
0 p h3 m# t1 X4 P3 Z
6 _8 f9 ?1 j+ ^ h8 H( g 例：
# ~; b$ E3 V! H- n
" B/ E: w3 _. r g1 V$ ^0 \ E4 BD A0 11100100 10111101 10100000
+ W: Q' d# V6 U
! I$ i# f# v! q- E. g" ]0 p' s 这是“你”字的UTF-8编码
. ?2 t" i/ g5 U7 u) [+ r, G( `. n' @& c: L2 Z( ?
4F 60 01001111 01100000
; t: d6 [$ [" v8 P' N& O, s" ^" o+ W8 V! H( d* [; R8 W
这是“你”的Unicode编码0 C2 |/ D$ c+ y- f7 k3 ~
$ P6 z* Z9 Z6 K$ o [ 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。
! o' a% _7 m9 O. n
. c$ ]7 H1 ~6 l' z. f 以下是Unicode和UTF-8之间的转换关系表：" ?+ g; Q, y* }, Q, t
k# R: W; E1 Y$ S f+ {
U-00000000 - U-0000007F: 0xxxxxxx* u s. A0 W0 G; U# h
% M' N, j5 y7 t3 l" ?/ K
U-00000080 - U-000007FF: 110xxxxx 10xxxxxx8 u. ~! `& o9 B6 O( C/ C# r
. @! V2 J8 ^2 w7 M0 b
U-00000800 - U-0000FFFF: 1110xxxx 10xxxxxx 10xxxxxx# o* {, q, g7 O2 \; l3 }5 {
1 B Y5 `3 P' U U-00010000 - U-001FFFFF: 11110xxx 10xxxxxx 10xxxxxx 10xxxxxx
2 V* T9 a! _: I' P" C2 A
3 R( R& C. V, i6 k+ J6 ?) e U-00200000 - U-03FFFFFF: 111110xx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx3 f7 c2 e+ X* E3 G# u9 C' s
M5 L3 r: x# F# U+ ~+ W
U-04000000 - U-7FFFFFFF: 1111110x 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx, K- X( C9 }$ y) D& M+ ]1 [
$ w1 F* X4 w4 R0 h1 `( U" s
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
| 