|
 
- 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：
# ]2 l6 C4 b v) L5 G- |5 T& @7 W8 [! B2 B" 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。
' A4 t- t/ |8 w/ p1 W
* V$ J, T" ]+ n) O) y4 E( u# I 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。* ?" G3 X, ^5 b! w' o
4 E q( z, P7 @5 i8 `4 A5 f& M
2、台湾，香港等地使用的是BIG5编码* `" [% `& S; n: `5 P! F0 }$ C
4 i/ @7 ~9 W U x# R- N% L: x5 T9 d
3、日本：SJIS编码+ F+ E( ^, U* q! `. g( M
1 a& n a3 {; H M
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。1 b3 k3 c- U4 [
+ E$ u4 r, x2 H0 c1 {4 n J4 ]: x. 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。
4 p* l4 T2 ~; {& K8 @+ F6 {0 r! i3 A' ]" M5 I; K1 V
Unicode的学名是"Universal Multiple-Octet Coded Character Set"，简称为UCS。
/ Z7 |( R* }& n2 n4 S
3 b- q, b0 b; L/ i% H! 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
9 ^6 L# R! s V9 G" \" D, }
) a5 Z7 I# C7 l 20000-20FFF - 21000-21FFF - 22000-22FFF - 23000-23FFF - 24000-24FFF - 25000-25FFF - 26000-26FFF - 27000-27FFF - 28000-28FFF - 29000-29FFF - 2A000-2AFFF - 2F000-2FFFF5 b/ r# g" |3 ` k0 _0 J
% F$ L+ n1 z9 L# D0 O 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。
$ f8 [6 J4 v/ d0 N% x; w1 i
( @5 n) U- c" x' z ~& r/ E 什么是codepage?codepage就是各国的文字编码和Unicode之间的映射表。
# n8 z' Y. S; E% B/ S" l
! w y0 ?$ u+ H1 B w! m: A 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。
( v/ c7 ?4 q6 J7 }7 j' y7 C3 V+ E9 c; e% h, Z. k
codepage=936 简体中文GBK
) Z1 w6 K/ x& O5 A( v
( _1 v( R; [: U5 L3 ?7 I; u codepage=950 繁体中文BIG5
: P+ y. A* A. E* A0 P8 {. Z2 w3 J# \- v0 X4 |& c. e& m
codepage=437 美国/加拿大英语' N3 K; v4 M& i: F+ E
- r. Q4 D. x: p1 u4 L codepage=932 日文: x+ I$ _# ~, ^9 l+ n3 e
' N% k% c1 I; E+ F/ c0 t codepage=949 韩文
9 @: o4 l# E0 `+ m5 y2 F
5 C. k" F6 ]1 i1 G) V7 k codepage=866 俄文/ y n1 j8 r* f% s, k. Z- Z4 p; W
, n# u2 {# k) P; G8 C0 s, Y( h; x
codepage=65001 unicode UFT-88 l1 E; O# O! t6 T& _! _4 N
0 C% ?- B! n& t; Z9 P) 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。. F. B3 m8 {% Y
. `3 _5 I* W X8 s& ]* o9 F% h
从936中随意取一行，例如：
3 s" G8 d6 c% f; _
* J2 ~! M5 X9 F9 F/ a8 _+ t 0x9993 0x6ABD #CJK UNIFIED IDEOGRAPH, [! p; V7 o4 {- U; W0 }: s
2 O% b# Y6 g- g. a2 ~# a4 z
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。- |; \5 a$ Q" Z8 c" T* a/ S% Z
4 P. o+ r+ c |& m 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?
" w! B- o0 O$ J% f/ v* E. f& I; T; s9 i# D u& ^
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?& Q" v- b- o6 F P4 B! }$ C
/ T; T( M* U, _) V- z# q, _ 例：
% F: F6 b. Y# E, D8 S% j% p* U
/ ^& X, K! C9 R, _. K8 ~ E4 BD A0 11100100 10111101 10100000
) b5 g F7 X3 B& M* P
; v B" ~, M5 I2 Y% N) R 这是“你”字的UTF-8编码
' u" S$ d W. m0 Y$ k4 f. N# v6 Z. w9 X
4F 60 01001111 01100000
( a' _( g A# O- T
" j J8 c% G) }& l2 g6 T7 s Y 这是“你”的Unicode编码0 ~: R0 x6 s4 b: ?
, Z9 u9 b X! u( H! W% [
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。
- ?- C1 _4 A* J6 `, R# w; n/ O, V
以下是Unicode和UTF-8之间的转换关系表：! ^% v% G# o4 \. J" T
) `: q$ u' b1 a7 T6 V U-00000000 - U-0000007F: 0xxxxxxx
+ i }5 v1 V j3 b5 i3 ^
; j' q7 k( c- Y9 R% r3 B# Z+ O! F U-00000080 - U-000007FF: 110xxxxx 10xxxxxx- J2 q; j2 _$ R3 U0 U% k/ C
( D W& D; @4 l2 Q& d0 y0 x4 P U-00000800 - U-0000FFFF: 1110xxxx 10xxxxxx 10xxxxxx1 {* _* V4 P) [$ w; O% l/ z" `
* z5 y/ ?- @$ t7 O1 a! h7 k
U-00010000 - U-001FFFFF: 11110xxx 10xxxxxx 10xxxxxx 10xxxxxx
0 [/ _$ _: k5 M8 A- ` z+ z! [4 y$ f8 c* r# ?; x& V1 Q! `, L) k3 v* p4 o
U-00200000 - U-03FFFFFF: 111110xx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx
# d9 c" |+ Q1 F1 O# q w; N5 ^. A( ^: ?6 z" {
U-04000000 - U-7FFFFFFF: 1111110x 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx, c5 h. K5 ^2 L, p) Q
& L+ A6 V4 J9 }. C/ `" _) Y 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
| 