|
 
- 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：
8 M0 W! F5 i' v, r. C- C% T, c5 B5 @! D: W1 l) |8 `" w
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。3 l6 l! c. C1 }9 f5 z2 i$ J5 `
; x/ v4 I2 b5 ?3 J 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。7 E. X7 I: r8 d5 V, X0 A2 D
* C ]! o: Q" F$ j+ m 2、台湾，香港等地使用的是BIG5编码; c! S& j; C# o: ?
+ Y. w! A" l+ C! _# V. R+ t
3、日本：SJIS编码
. [- S' I9 ]. K0 K7 u; O4 o+ i* J2 ]
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。
3 v/ g4 q- J% N, `& ^# a$ B( ?( q* d; k1 }7 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。. H2 Z- V# a2 b+ G' O5 _/ r$ K
4 s8 T4 |3 \/ X& w0 P+ C
Unicode的学名是"Universal Multiple-Octet Coded Character Set"，简称为UCS。
( u. t% c" ]! i5 {% W# l/ u, a- j3 W0 t& J7 }# s
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
$ H6 k+ s" e8 H1 g a8 q" C7 D- r ?* Y: e7 `; I# @7 k% {
20000-20FFF - 21000-21FFF - 22000-22FFF - 23000-23FFF - 24000-24FFF - 25000-25FFF - 26000-26FFF - 27000-27FFF - 28000-28FFF - 29000-29FFF - 2A000-2AFFF - 2F000-2FFFF* k5 D- X" |; k
& T6 a7 O1 P, E) w' w$ ]) C8 ]
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。
! l3 \+ C: P! W1 J* x1 R- f9 A9 ]9 O+ v1 {) i/ ]5 m
什么是codepage?codepage就是各国的文字编码和Unicode之间的映射表。
8 b3 K% y: P' y! D$ i1 @, a( X8 K, _1 K) h( t
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 |" K4 W# }( H9 c$ E, S0 b# D' h' `( @- ~! S) l0 n) O7 t
codepage=936 简体中文GBK9 d5 ~4 W' [5 P9 h( ~
3 a5 Z) W2 f- R" Z2 H: p% W
codepage=950 繁体中文BIG5' E4 ^' n b2 O8 ]6 t
3 Y+ y$ v2 g$ E6 V( d. J3 `1 G- E# y- Y
codepage=437 美国/加拿大英语4 u5 i+ r2 \7 X8 J" C
+ }1 R6 S8 x$ O6 R& `
codepage=932 日文
: o' T7 m+ l9 f' S! t7 @& J3 l3 X1 g! M2 E, `& w
codepage=949 韩文/ O0 \: X1 p& o& c
1 T% r1 E1 J* ?; Y, |8 l: L: u
codepage=866 俄文
3 l' N6 S# H5 P [. z( c# D# g8 x+ e$ U! z' o% @/ X1 u
codepage=65001 unicode UFT-85 i8 b( v7 D6 O- V9 v5 [
+ J. H6 ?4 k7 ]! Q9 Y& m 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 d1 w- G1 Q5 s; c" k& r4 C# b. f U" ]' i5 i
从936中随意取一行，例如：! Y" v, A' v2 z$ E! ?' v
# b5 d, F! F1 V9 x 0x9993 0x6ABD #CJK UNIFIED IDEOGRAPH
9 l$ b7 c& w; S( e
9 B5 e2 J+ B$ P8 v/ ? 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。8 d: U3 f$ G6 q$ _ o3 M2 {3 t
$ M8 H4 ~1 P' z1 b 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?) G3 U0 [& {5 m0 V% o
7 T$ w! j/ R3 n. t* 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?* S7 r5 j) H6 `( f' G6 @
2 N2 T; C8 N5 L2 I( Z
例：
8 w5 G- X* d6 V+ x
: p8 {. m) J6 C( s" [; M& T) e E4 BD A0 11100100 10111101 101000009 H8 v/ M$ ~2 X( k, ~- i
6 x8 o# f9 Z6 W# P 这是“你”字的UTF-8编码
3 K5 J, u j! l5 o3 [/ A# A/ k7 j3 o4 F
' q4 c$ h/ l+ ]8 I' O 4F 60 01001111 01100000
7 F# E, n2 x/ z9 @" {& E. J7 m
5 s/ l6 ]) k3 V Z0 r% ^ 这是“你”的Unicode编码
% X* X+ F1 N: M j g1 Y3 V# Q% Y+ u% m9 N6 S6 a& o" p
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。
: W0 m# K0 q7 z, ?& r* P' E! V
3 n# b3 ~" ~8 p8 K0 t6 j4 S& F 以下是Unicode和UTF-8之间的转换关系表：# I5 f3 d! H8 o5 O+ H3 \# c
& J! k0 r* w' c3 y
U-00000000 - U-0000007F: 0xxxxxxx% d) X( E" y4 S7 m
. Y. _3 y4 ~' Z/ a- K6 W+ A U-00000080 - U-000007FF: 110xxxxx 10xxxxxx( A$ _! c3 s W9 ~1 E
* v8 m% d6 n H9 l
U-00000800 - U-0000FFFF: 1110xxxx 10xxxxxx 10xxxxxx3 r8 j8 x8 i) y; D' B6 O
2 T) m, M: x+ @, L# I
U-00010000 - U-001FFFFF: 11110xxx 10xxxxxx 10xxxxxx 10xxxxxx
) ]+ z7 ?/ n2 m7 x# ^
( c6 m2 }: f7 v: r; b U-00200000 - U-03FFFFFF: 111110xx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx& y/ l) n( G$ m4 P) y) i7 f1 v# T
2 z3 s1 Q) T+ }9 B: K
U-04000000 - U-7FFFFFFF: 1111110x 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx' n& n1 x! ?- p7 ?
( C' p. [ u' k6 _( C6 g
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
| 