|
 
- UID
- 1
- 帖子
- 738
- 精华
- 28
- 积分
- 14247
- 金币
- 2414
- 威望
- 1647
- 贡献
- 1362
|
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：
! F* T" z% [! P) }
1 t& _' ^$ U& \6 g* Y' m' P/ a 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。
: C6 Q& ]/ b _: i/ O
) Q* `2 _1 [2 F3 p3 E 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。
& m7 Q D& r9 P4 d/ m, p
% X1 w& x$ |2 p 2、台湾，香港等地使用的是BIG5编码
! j# D# x5 T. E( r; H/ @+ k* [, ?5 C- h* w3 e% L7 C3 r
3、日本：SJIS编码
5 } `: I0 @. }1 U5 ^ Q- o* }, w% P; g- t! O
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。: G5 K: V' E+ Y5 q+ J) \
/ ]+ H4 \( M) M$ t! e. 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。
5 n, D, q+ j C3 @3 x: h+ @/ `: `# J/ X& q( \/ _
Unicode的学名是"Universal Multiple-Octet Coded Character Set"，简称为UCS。1 v0 L& n! P+ g4 V( V- B
# u9 n! `* B" V% d 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
0 }& r2 [+ u( {9 k3 M0 N. L# J% ]8 T1 r1 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' B' p( B- y4 h# {
* E: y4 p- x# {# K1 S2 G
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。7 G: Y+ n' t; \& q
. j1 ?' F V% H2 w$ s0 `4 f, E2 { 什么是codepage?codepage就是各国的文字编码和Unicode之间的映射表。
) ?, C* p# {6 H6 O5 X" [
& l n5 d) R' |, K7 d+ |4 ]4 H 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。
5 B1 I# U) q, x. [5 e
6 C& p$ h' h+ G( g; i ^4 p codepage=936 简体中文GBK
, E r4 p" R& M% { `" C" \ b( E5 }
codepage=950 繁体中文BIG5' i! Q6 O; A) x {4 q) G+ n* s
o4 p4 b+ o1 Q9 b- ]0 I d codepage=437 美国/加拿大英语
X3 @$ Y% P3 H, ~9 E- v
, Z+ R8 K9 i3 b* ?$ J+ O codepage=932 日文
* _: J4 T) p+ v1 E$ E$ }8 }% B6 f [3 c; W, U" d
codepage=949 韩文% }* f5 Y2 K% ~: b3 s- k' c
{( P$ e. ?" q/ }5 V8 U! D6 q codepage=866 俄文! O" n" e# e& m( d3 F
+ U; `/ ~# f: M2 v codepage=65001 unicode UFT-86 {4 z$ i8 F- E9 } g
6 F* B9 P" Q2 L- S
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。: G4 D( T; C( C3 [' ?
8 Y7 o9 ^; U& Q5 [1 q6 K: u5 q, ? z 从936中随意取一行，例如：
& a7 L! `& K* J; g7 e0 r* l8 I5 B- z
9 r, _ p4 {" H1 a/ [& G 0x9993 0x6ABD #CJK UNIFIED IDEOGRAPH. F5 b+ M, j4 q, z7 s `# w
# l b+ M- C) d9 I$ K
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。
, s' ?6 g9 q% A/ i/ _8 K% S. Y# d; h/ T3 \/ I- {$ `
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?
3 s& z* M$ r* L6 F/ y7 k, D9 J* Q! M1 U! Q" B9 \, e# e; h
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?1 H C9 e. i9 B! O
* t* o* V7 e' s A. Q. s9 J+ F
例：
6 N! }! k" W% ?! T3 o
; E2 a) d" J K! R' ?2 l E4 BD A0 11100100 10111101 10100000. x! s) d! o* a
) G7 y% Y! m1 l9 k* Y9 ]
这是“你”字的UTF-8编码
% f* m; ~9 J8 }; g( o. A9 S$ @; l9 B0 v
4F 60 01001111 01100000% z% Z+ {8 X% `: Z
5 r e% m3 v4 D6 ~* E9 U
这是“你”的Unicode编码
8 R$ Y& ]* k3 [ y0 N% m1 |/ `: N) [! j, P- N$ ?: M, |, B
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。
$ K% K& d! U/ X8 m/ R/ Z u% I
6 A! d4 l- }5 y' I+ |4 f 以下是Unicode和UTF-8之间的转换关系表：4 A. Q7 O# {* A, s# o+ t
. g) e' W9 [9 A# O( }
U-00000000 - U-0000007F: 0xxxxxxx
- z P0 p+ ^, {& f- K8 x+ A: Z7 X- C; y. H" j
U-00000080 - U-000007FF: 110xxxxx 10xxxxxx, \5 x& d! h+ H1 S. U
- r/ K( j1 T, F# z8 L) B3 N& p
U-00000800 - U-0000FFFF: 1110xxxx 10xxxxxx 10xxxxxx! [8 w) |6 H) _' \: `
1 Q' G( c: o* I! `, Q U-00010000 - U-001FFFFF: 11110xxx 10xxxxxx 10xxxxxx 10xxxxxx
2 B- G; W; b. E6 ?6 i" v5 a
3 R# r9 n+ H3 X7 w7 W* @% i6 Q U-00200000 - U-03FFFFFF: 111110xx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx
: F f- t) i; G
; U: @) u# }; V" g# l2 m: s, a; l U-04000000 - U-7FFFFFFF: 1111110x 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx
6 a& y$ x/ P5 M
/ ?& |5 L4 m! M1 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
| 