|
 
- 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：* c+ p' C+ Z' f, Q
, P4 f% d; t" [
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 v( v3 c2 g+ w
7 L: t8 S! ?$ q8 g2 ^/ v' l' ?
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。# U1 S1 i. \+ R" V5 j2 Y
$ g6 t3 W( `+ R* _5 j
2、台湾，香港等地使用的是BIG5编码# E) h, B; p* O
3 u2 P8 O( S# L
3、日本：SJIS编码' O6 k- u3 Y I
& F+ y; N: H/ ], C 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* Y- t1 @& ]8 x
8 k- J% I$ T1 C# r1 y7 A s 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。
' w, _/ a' A8 n1 ~1 T( L' Q
5 E& Q, v r2 H4 F; T* X$ H Unicode的学名是"Universal Multiple-Octet Coded Character Set"，简称为UCS。
5 E7 Q# ~! l, Y4 u \/ ?& Z
) L7 Y% b- q9 h$ b- w3 `; P% W 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 p/ ?6 @- h% [! Z% e! a; t
) J2 N# N3 E0 S! E: T& h
20000-20FFF - 21000-21FFF - 22000-22FFF - 23000-23FFF - 24000-24FFF - 25000-25FFF - 26000-26FFF - 27000-27FFF - 28000-28FFF - 29000-29FFF - 2A000-2AFFF - 2F000-2FFFF
_0 W$ H8 V# w& u8 E
/ s: Y3 \6 F4 Z; \ 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。0 ?' p; i5 J5 {6 p7 D# {
# o- W' L& I/ ?4 C N, q6 a2 ~- y 什么是codepage?codepage就是各国的文字编码和Unicode之间的映射表。) C3 I- q# `: d& O( w& p" R
6 n( \- n- [8 n& 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。
/ F0 c$ A: f. L4 u! G' _
2 ^( s& Q+ o4 Q; O' i+ y4 z- H codepage=936 简体中文GBK+ K _9 |) F% [& _% x* ?: C
9 k. {- {7 }8 G$ q codepage=950 繁体中文BIG5' z* l, p# s4 N, f0 i
6 X' a7 n2 v$ R codepage=437 美国/加拿大英语
0 T* C$ y, I1 _5 B6 j1 _0 q4 L8 |7 u' z' P i8 K
codepage=932 日文+ {% j! ~( e6 \( `. d# d
' r% s: u n: \1 \ codepage=949 韩文
' M) K5 }9 H Z8 T+ @, c6 |3 x: S' X- I* d, j2 i' e, g
codepage=866 俄文, T/ |7 m4 k$ B3 D; x
2 D1 a9 [: w: G s codepage=65001 unicode UFT-8+ H- d s0 \/ {+ O6 D1 Q5 L: ]3 r
- N2 j2 O5 W N& u; ]* v" 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。3 h6 X5 K% M5 p! p
5 y5 t8 ]# I, V+ m" U% h+ a1 Y+ g 从936中随意取一行，例如：7 i" \6 }& ~+ d8 |
; S- V4 d5 J$ u! [
0x9993 0x6ABD #CJK UNIFIED IDEOGRAPH6 k% V0 r( t9 i9 F
4 S/ f9 j8 E; y3 v/ o 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。 `) T7 H7 H$ A& x
; V( b& l' `- b0 o7 G' 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?1 c% K& P! o* c; k4 A1 t2 F8 P- p
3 f# S7 B+ U* p. c- E4 V9 s$ f) G! l
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?
5 s- [0 h! ]. L% _1 A! L5 p+ I5 T0 f
例：/ I) H' g' l& T/ b8 r3 H
5 r5 Y- F$ g/ ` E4 BD A0 11100100 10111101 10100000
# n( A% I+ A1 B
- R+ G6 y; k# M1 t# W" r 这是“你”字的UTF-8编码
* A6 c- j2 D% ~- V0 `- x1 w* B( C. \# |) m
4F 60 01001111 01100000
+ `3 T5 l- Y; ]0 i& ~: p/ u9 ?- F) o0 }. Q& o( ]5 L
这是“你”的Unicode编码
: |" E3 }0 n+ y7 s/ W
- t9 G# z) `+ k+ o4 u2 ~ 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。$ H6 o: j( c8 W. J; t! E ~. F
* m# T5 ]% x1 l7 y/ u K: l 以下是Unicode和UTF-8之间的转换关系表：
( z: z$ ~6 B, h) P8 d* ^; V, t
3 X* d2 i- y# ~* g# g, H/ n- | U-00000000 - U-0000007F: 0xxxxxxx: i/ q) s, Z3 ~' n$ u: T
% F, [% `$ O8 P5 a$ H) _8 I U-00000080 - U-000007FF: 110xxxxx 10xxxxxx; x/ {, p" D) [/ z
" G! U9 R; t7 _. {: c; V: y" k U-00000800 - U-0000FFFF: 1110xxxx 10xxxxxx 10xxxxxx1 n) f$ y; b$ T
2 P# H- A' r; y6 _5 A; Q U-00010000 - U-001FFFFF: 11110xxx 10xxxxxx 10xxxxxx 10xxxxxx
. w5 G0 A {( i: {9 z7 j4 K# |/ }; o$ @. Y& F$ A) m/ }
U-00200000 - U-03FFFFFF: 111110xx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx _/ r5 Q0 e9 x0 e
; [" l. x1 v8 E4 ^, x7 k' I U-04000000 - U-7FFFFFFF: 1111110x 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx
/ S# a: V8 A- _1 a& |& I- D
0 w9 s |7 _) J6 U2 | 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
| 