|
 
- UID
- 1
- 帖子
- 738
- 精华
- 28
- 积分
- 14197
- 金币
- 2389
- 威望
- 1647
- 贡献
- 1337
|
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：' T$ a- B8 l& B% t
# u |+ y2 {3 I
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。
: v1 ^, g; b+ S" v' ?# L" i" A8 }
7 T8 D' E7 x9 G- _3 P- M 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。
/ l) n/ F" G" J3 n4 g
$ Y3 n( |# M7 @4 d! r$ |+ H, y 2、台湾，香港等地使用的是BIG5编码
8 c7 \& B9 p8 @1 S8 O+ l* V( H2 u$ e# q- l) \
3、日本：SJIS编码, L& S' ~. I2 w& p4 G' K0 [1 `
X! I4 Y& U$ A8 Q) f" d* ]
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。/ N3 p, e% q( X' e/ Q" m8 u6 ~
7 H8 H" W1 Z5 w, d
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。# R) m( S# ^- \' H7 u$ F3 L
/ { v& ~. a* U: d
Unicode的学名是"Universal Multiple-Octet Coded Character Set"，简称为UCS。0 ]" a! P, p5 m5 a5 o, t, g) U, \
3 x; }5 \, ~; r: ~
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
1 }/ f1 [- J7 U; z! F) X
; }* X6 z, F% I& y' `: 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% J% n7 `$ O/ C0 w
/ r- ]/ ]- B# V Q
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。
! @3 G( K3 ^4 [8 W
6 ~' ]( D) G7 D( M9 H ` 什么是codepage?codepage就是各国的文字编码和Unicode之间的映射表。
6 n* @; K# T) |2 [, e5 a. U9 C0 m' P7 g
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。6 i* J% G6 S0 \, w/ t* ^
) G) H! h+ \# `/ f1 p. G, A4 L
codepage=936 简体中文GBK8 S: c, P0 `: m! h6 Q+ l
; \# z% Y( G# O! V8 Y
codepage=950 繁体中文BIG5
( j5 n6 @0 q, e( t' R6 `
- e- e: a( F' X5 [) j8 G$ m3 ^ codepage=437 美国/加拿大英语8 R. D- @( m, r: S, R8 z1 M- c) a
3 ?) T% _' s. q codepage=932 日文
( n" V; U; B% q) O, b4 `* K6 e
( ]3 V# F N" `7 X4 \! `/ {" y codepage=949 韩文
5 R9 ]' w' G, T/ O, a" p
' e3 E. K- b: d codepage=866 俄文
4 m, P0 A1 [0 Y( @* a& l8 r5 [8 |) o. Q5 ]2 B0 ]
codepage=65001 unicode UFT-8
& t$ R9 u6 |- F5 Q. [0 q
8 ^5 n# H8 l/ O9 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。
4 m2 c& ^1 b" T
7 P$ H- ^ {, N& O) ?; N4 Y 从936中随意取一行，例如：+ j* j: Q( K( I! Z& s
" E5 n0 j* j9 c7 o1 t 0x9993 0x6ABD #CJK UNIFIED IDEOGRAPH6 m3 Z: J9 @( x; A, V+ ]3 x- S
+ b0 D# I h/ n! u* Z j 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。. I4 f, C* \7 [, u" T# Q* h
3 a9 R8 s, q3 v# j; d* t1 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?* Q! M4 g A3 F- ^; g
( V: b7 o. G: E5 c+ Y
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?- |: H; y; p2 e: S5 B% X4 B
7 v u% A, F7 l, S0 [# _& L 例：9 H% p/ d$ M# m3 z
& p( V4 _4 @4 w+ w+ {; T5 X
E4 BD A0 11100100 10111101 10100000
& K, v h# ^- a* c" X. S
8 @ O) `% Q/ ]! X2 w* B 这是“你”字的UTF-8编码$ g" d8 b0 @$ m+ @: _; L( c
4 D/ S$ O$ [+ `0 B0 W( \, @
4F 60 01001111 01100000
A4 W/ D1 ?# O5 ^. ]. U$ L+ d o4 F. e1 k
这是“你”的Unicode编码8 H+ S) g0 D; R3 T
2 n2 S9 P1 ?9 ~: b2 ]6 H 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。
) f9 H0 c8 p, ~ z% l, G2 P, s
4 |$ s/ B4 Y' s$ l# a6 U4 i. |5 x 以下是Unicode和UTF-8之间的转换关系表：
& e T9 e$ I5 n, K' X5 f' P( P
U-00000000 - U-0000007F: 0xxxxxxx0 D5 U6 H |7 T9 V& m# T, n
5 B- O$ i. [' w( d4 v& b- j U-00000080 - U-000007FF: 110xxxxx 10xxxxxx. Y$ Z+ }) a7 f
- W. p1 Q2 P) H) H
U-00000800 - U-0000FFFF: 1110xxxx 10xxxxxx 10xxxxxx
+ H1 B9 P, U8 S+ {# ~
' O* E" i7 y& G+ V+ c p U-00010000 - U-001FFFFF: 11110xxx 10xxxxxx 10xxxxxx 10xxxxxx) e1 ^* ~0 f" z+ c; ^) @
9 @6 i6 P( ~7 }, y! x9 |" a7 } U-00200000 - U-03FFFFFF: 111110xx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx1 ~; S( @" \$ \% H) P$ L; i
" Z6 b, Z# \+ T0 \- ]/ ~$ j) i
U-04000000 - U-7FFFFFFF: 1111110x 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx& W: I' g: u( |) J }) E. |
4 F+ @! X4 u6 k% V
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
| 