|
 
- 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：
/ q, Q7 q4 N4 C: ]7 p
' \5 c& {! C& N8 G+ \0 B 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。
, W' b# I1 \2 b
" U% F' \/ E2 [5 z3 x% ~+ k 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。
$ I+ m: r. |- G1 O' e2 x3 f0 D3 V8 o, N( r9 E
2、台湾，香港等地使用的是BIG5编码/ z6 |5 d- B8 X
+ L2 F* C: @; q: q7 N( w/ n
3、日本：SJIS编码! B& r- B, v) K7 n6 j! M6 K. z
6 u6 j2 s0 ?' n/ m. n7 W- F 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。
: e- B4 }4 ]+ a# o7 t+ S* I* c" @6 k) a) h' |
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。
; o( P* d7 C4 s( Y, Q8 l9 `/ i/ R0 j* r
Unicode的学名是"Universal Multiple-Octet Coded Character Set"，简称为UCS。- `7 s3 Z. ~: M
; Q% W0 F/ S* M& \9 l) D* U- Q
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6 Q+ S/ V Z& N4 m
+ E: Y+ j( R }$ N
20000-20FFF - 21000-21FFF - 22000-22FFF - 23000-23FFF - 24000-24FFF - 25000-25FFF - 26000-26FFF - 27000-27FFF - 28000-28FFF - 29000-29FFF - 2A000-2AFFF - 2F000-2FFFF5 u d) T3 I1 c V6 U3 {
% z6 r+ F# W' a7 L# O7 @5 ~2 M
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。
* Z) w9 G, W6 D$ u/ L
3 a) C' g/ E& d$ p& Q& V 什么是codepage?codepage就是各国的文字编码和Unicode之间的映射表。
# i6 D6 d% S- L' u) M( H0 ^* \3 J$ r/ i) r# G$ L8 @' d
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。* W7 O7 I% x: `- e+ Y2 p
% u4 b% K' _+ a5 q; v
codepage=936 简体中文GBK
$ X; ^) v+ s5 z) ?8 U
$ o/ [, a) Q6 r z* [8 Q/ i codepage=950 繁体中文BIG5
7 W' K9 d0 a4 I
6 I- Y; j$ H: M codepage=437 美国/加拿大英语8 q) r; ]; y; w# p6 A H; D- C2 v
/ a4 p& U+ j1 k- f% e
codepage=932 日文
$ s0 i3 X9 `7 f. B: E' O( z; L
3 J/ K8 X6 S, u3 ?. V" ~ codepage=949 韩文' s5 g, ~) p2 `% j( H; A* o9 e
, `1 n1 C5 }0 P) V; a/ o codepage=866 俄文
8 `4 _1 u4 F! K g. V
/ m& P) l, ?! m ] codepage=65001 unicode UFT-8+ a0 _: `/ T6 E% z0 n
" @/ F6 P+ j' S0 S" 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。2 w6 c5 F6 G6 t% G. N3 l
' Y4 E2 Q0 j% d1 k8 l 从936中随意取一行，例如：
! ~! a* F( c, K' y2 B" z# c0 \- Y3 V$ r' {
0x9993 0x6ABD #CJK UNIFIED IDEOGRAPH
2 W5 W2 H& ~' z m: c. q
, R/ G; w, b& b- t6 \5 k( b 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。' k' U6 C; a0 {$ }3 m
R. Q8 o% b7 P$ _4 u% h
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?4 {6 P7 n/ a$ @7 @8 v
5 u9 ?8 q7 D& X/ G/ ]8 f
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?% Y4 K, b' v/ J' O5 [$ h4 j
: d, y# w, d) F- o
例：
( A& E) f* y' d% W+ N0 s V- N2 }8 G, ^" W/ O/ R, |: O' a
E4 BD A0 11100100 10111101 10100000& V+ k9 m! w% t. e! q- K' b
3 {& d1 ?' C, m9 p) v
这是“你”字的UTF-8编码( F8 w' y" c0 O& n0 n" k0 D. {
6 @2 W3 b' ^; v/ } 4F 60 01001111 01100000& X8 w! G/ m9 J5 N& I* X
/ ]( p+ |8 R2 V# b
这是“你”的Unicode编码1 S. {6 K, z$ l6 c
4 o: [& R9 Z( } 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。% p T0 V9 q+ ^* |
R9 t; C) g/ c: S5 w
以下是Unicode和UTF-8之间的转换关系表：0 K0 T; N- m% v t+ P1 \
' C, s* @; [1 o' `7 ?
U-00000000 - U-0000007F: 0xxxxxxx
8 \* o! @6 \8 g9 w# M$ c( J4 `: Q. {: x; C, @7 B# W3 x7 B, w
U-00000080 - U-000007FF: 110xxxxx 10xxxxxx0 f) i" `' F+ D$ S, r/ ~
2 W2 j3 @' o E5 M6 Z% k U-00000800 - U-0000FFFF: 1110xxxx 10xxxxxx 10xxxxxx
! g4 w9 q2 l& U* l
/ E3 S' Z8 T" r( `6 m: q& V U-00010000 - U-001FFFFF: 11110xxx 10xxxxxx 10xxxxxx 10xxxxxx
( ?; h# N5 r* M4 A
, H: w+ I( T9 y7 b! G0 G U-00200000 - U-03FFFFFF: 111110xx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx5 `% n; l# `7 V" L- Z+ E
$ j0 e# p9 o! S6 n9 S
U-04000000 - U-7FFFFFFF: 1111110x 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx
' T( D" C( \2 ]0 }. `! M+ G& P4 }1 s4 l+ @3 J9 C7 Y" t' V B. s1 g1 p
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
| 