|
 
- 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：& c# e) h2 B. _- K
* c3 h& p' |, N2 a* K. { 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。
8 Z4 ?' c) f# v& x1 R( k2 r2 t- [6 l
- h; L4 _" B6 k. |9 n 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。
$ j; m4 ^- Y& f& F4 z' d& h5 s7 V" b; R
2、台湾，香港等地使用的是BIG5编码
. r. f* j4 h% ^) |! Y
9 w' b+ _$ ?& n0 W9 \2 s8 Q) V 3、日本：SJIS编码8 o/ D- l/ D% n! m
( G' i% `- k2 N+ [
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。
' p l6 E' s* }) T$ e; M2 C# w
2 `4 ^& k9 x. b; |! n 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。+ X3 [ g( z0 a4 w1 k2 }" l1 W2 m6 T4 H
+ c3 j3 C+ X, G# l8 Z
Unicode的学名是"Universal Multiple-Octet Coded Character Set"，简称为UCS。
, v' Z6 L. |0 L' }* h( x0 \# G
1 ~3 y6 N8 R. m# r' K 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) l" h8 E1 D& S& i& d* R$ w
. F! h9 T- T4 m9 o8 N' 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/ p* `: m# p9 P
2 P: \& e( u% H 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。
( b# {; W8 j. T
6 d3 v7 X0 j3 @+ ` 什么是codepage?codepage就是各国的文字编码和Unicode之间的映射表。
?) e; l- P( B3 g |: ~- r/ ^2 h( ]. I9 B6 n# n
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。7 O/ t# l1 e* q8 |
5 A. f% r5 F. H9 h0 I. ? codepage=936 简体中文GBK
* t: ] C8 Z( X+ F. Q( p: J1 S T5 \- C# I- o9 k' k
codepage=950 繁体中文BIG5& |' L' L: J( K& J
$ \* ^$ D. d9 {1 j
codepage=437 美国/加拿大英语
+ \4 }- k0 M. c0 B3 T* `! O3 u& `8 u1 }% V8 J
codepage=932 日文
" n" k- A% g5 b5 L& ], J4 I2 `: U4 G/ D% c3 @! t3 p
codepage=949 韩文& e3 n) S0 @4 c( o) C8 ^0 g+ r2 }- Y
. l1 S9 y& l0 m" [9 d: G$ w codepage=866 俄文
8 n6 g/ u+ c$ H2 F6 {# }
0 Z/ G) F6 F! K: ^/ G% c# u codepage=65001 unicode UFT-8- u* A# s' g. s. H
) s3 @4 f+ _& z: u/ K 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。$ |1 X* K8 e7 h/ Q2 L
+ i: A( u( i# a5 A% a' {- R
从936中随意取一行，例如：
* ?; u; G8 u5 q( v4 D+ r/ b6 I& R
8 C8 [8 l7 z' s* _" K* g# x 0x9993 0x6ABD #CJK UNIFIED IDEOGRAPH) M, \0 F- q: m1 R" j* i: ]
% @4 d+ [: I* W; e
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。
) g: s v) _' p/ {% \
( d! ]. m+ w& ^$ k 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?" J. ^, ?7 ]( `) s' K" ~" L# n
% v3 K& N$ c# Z! ~$ n 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?4 {1 {/ q4 ^/ a: ^( {0 i& z
8 \% K# F* W) J$ ?% K' {
例：
1 J. E7 p- v% n
# s2 I4 x' s9 L3 T0 o& |' l E4 BD A0 11100100 10111101 10100000
. j0 X) @# h# A7 c! |/ V- s+ N0 J# ~& S* O$ c0 [8 z2 b
这是“你”字的UTF-8编码% H& {1 E; y5 X S! W
, B6 U! X P8 `3 b& C+ Q9 V
4F 60 01001111 01100000
& f4 Y' f( L) N' Z8 }0 W$ H; `! p+ e. l+ v/ Z* u/ P
这是“你”的Unicode编码
! c5 V* r/ |; N- a& D# G* E }# N
" z* { l2 o; j E 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。; N- n7 H# Q9 i, a4 ?) U8 h* ~" z/ N6 x
" Y6 _. u# J# d3 b+ F9 Z
以下是Unicode和UTF-8之间的转换关系表：
! D F# h: o5 ^/ O$ G% d1 v1 n+ C$ A4 v/ V
U-00000000 - U-0000007F: 0xxxxxxx W2 [( }2 R0 ~8 w" a* l
# q7 o6 o5 V" y! G* O2 C3 o
U-00000080 - U-000007FF: 110xxxxx 10xxxxxx2 m. }( w8 S2 s+ L2 n
2 Y% Y" z+ C' p4 [ n U-00000800 - U-0000FFFF: 1110xxxx 10xxxxxx 10xxxxxx/ k, x E" j+ W+ w- \
- L7 Q* i- w4 ^7 X, _ l( C4 ?" j2 ^ U-00010000 - U-001FFFFF: 11110xxx 10xxxxxx 10xxxxxx 10xxxxxx9 e" M9 |) P- x
1 x" D# S8 K( b7 R# E) \ B U-00200000 - U-03FFFFFF: 111110xx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx- R% Y9 W3 I7 }8 P8 W
- `% c0 t- F* E$ T/ d H2 @7 K- w
U-04000000 - U-7FFFFFFF: 1111110x 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx3 `9 Y6 {3 j8 B6 ^8 S- A6 w
# R4 a; Q( e y0 b* 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
| 