|
 
- 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：
" H; W+ S, `8 b: }5 }
! C7 z5 d2 e+ C 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。
+ X6 y5 i1 I. A F* t$ M3 p
, H1 C; p$ X6 b: {( @6 W 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。. S3 V1 Y5 a! Z9 A* M
& b% o: H& d6 L; M$ C" ^! y3 z 2、台湾，香港等地使用的是BIG5编码# W. \. f1 ~* E
/ u4 V+ f2 F$ V9 C: O
3、日本：SJIS编码( U( f. l' I( u7 z8 K" G P" V- @
, x t6 _6 |4 x/ C" U1 M1 o) e9 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。
/ P* E* c% E4 L- f4 z: H! l' l" p" S4 w: W7 p- i
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。
+ ^2 Q0 A( L$ T5 C( G* _, d
7 N5 D; ]! z$ { Unicode的学名是"Universal Multiple-Octet Coded Character Set"，简称为UCS。
7 k( V9 T: P4 c$ ~0 F# P
+ l" G! {( P9 Q1 ?- O 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 n, M! ]# q, `- e* [& [" C; H5 p% V& p: D# c! 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
+ x* a! W' X" r( ^; j' S: I: h* w2 q9 F, r
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。
: u) x1 y y3 L' c( `1 q/ I1 _; R7 B" i, |
什么是codepage?codepage就是各国的文字编码和Unicode之间的映射表。
* b. V+ M. V4 F9 @
- U: X* v9 C& s1 f5 A$ 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。
( \8 O+ {% ~. f$ H+ S: A1 f- t, d& h
9 F! e" D% u T6 m* k r8 Z codepage=936 简体中文GBK
& @3 _. ?5 G$ H7 n% D5 s& t; R
* o3 s) I1 ~& N- Y. P, X) ? codepage=950 繁体中文BIG5
. A& _1 U8 d7 l4 i+ i T
% I: u. X0 k3 @* W. Q" U6 J \- H codepage=437 美国/加拿大英语3 }5 T5 B6 b; }) y6 p+ h" I* Y e! j
3 T; A6 e/ e' w p* Z codepage=932 日文
6 Z5 S0 `, h- ~5 c8 m/ c& E9 i' Z
5 F% t, h% {5 a% _ codepage=949 韩文
; d* [. m0 q3 a, p. o6 S/ M5 {5 W$ J: h& ]& }3 ?0 {3 u1 e1 P" y
codepage=866 俄文& a2 `5 L* v. E. S' k2 S
$ b# K- U h2 M" o6 r2 t# ^ codepage=65001 unicode UFT-8# S: ` n' q f4 m8 r
, _+ o( | G2 ?) {; r) R) ^
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 R/ C% z1 S7 P# E- V" ~4 {5 ?
, m: E% n# o8 t5 Q! Z
从936中随意取一行，例如：
% d/ P) y0 p) k2 T n% q% z2 u" ~) i5 N& o K' Z$ S
0x9993 0x6ABD #CJK UNIFIED IDEOGRAPH8 x7 s1 X* o, w7 A6 M# a
6 o8 g& Y2 r6 v1 B0 l- W 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。
+ y& Q. F4 x/ J* I4 v1 e9 D$ S7 d+ Q7 \7 S, S, R
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?( f1 Y+ r0 K+ Z) J" Q F
3 g2 m7 P# q& |0 N 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?* \4 J. N% G+ ^4 ~
) V7 F Y d# s' t& W8 z 例：- a/ G- R' h5 B7 `: n
+ ?) Y4 `1 e3 n4 u- n" a: N7 h E4 BD A0 11100100 10111101 101000008 _. r" @9 g# r) Z9 T# ^
5 X5 S) V" t4 r: H
这是“你”字的UTF-8编码3 i8 M( P# D* Z5 y# S) K0 b" i4 q
8 m$ d5 g6 D* ^ 4F 60 01001111 01100000
2 ^4 @/ j2 U m5 \. i# ]5 `' t% }& t* [( i6 g
这是“你”的Unicode编码
/ l) d9 l% B) w S) r) z9 |+ `9 ?
; P; {7 A& i" ` 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。
2 K$ P. h4 x1 A/ c" b
1 z' C! h: S* u- m/ i- m4 \( W/ I 以下是Unicode和UTF-8之间的转换关系表：6 B6 e, r" A4 t! j; W- f
$ U* }$ I+ @" a% k9 ]
U-00000000 - U-0000007F: 0xxxxxxx8 `# ]5 n& ?3 ]4 f5 a* A& W
+ h# c& G" R" L8 G4 `
U-00000080 - U-000007FF: 110xxxxx 10xxxxxx3 t0 T) O/ t! r8 A. A9 S
2 i+ o: }6 C3 a" D A3 ` U-00000800 - U-0000FFFF: 1110xxxx 10xxxxxx 10xxxxxx
& t$ _8 `# E* x' h, w- _7 q! ?9 t7 t+ _: ?) Y
U-00010000 - U-001FFFFF: 11110xxx 10xxxxxx 10xxxxxx 10xxxxxx
1 S1 P- n. d# e# v
( G) c- m: \! \, @2 e% ~9 c U-00200000 - U-03FFFFFF: 111110xx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx6 Q1 ^4 ]; Q, X
8 Z; `. ~/ V3 R$ c( a
U-04000000 - U-7FFFFFFF: 1111110x 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx
3 C3 B9 e) ~/ v9 z7 f" w$ t* w2 P$ e0 O4 }
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
| 