|
 
- UID
- 1
- 帖子
- 738
- 精华
- 28
- 积分
- 14221
- 金币
- 2401
- 威望
- 1647
- 贡献
- 1349
|
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- H+ z T' H0 E1 k: \) G
! D1 a/ V5 x) d! N1 d& ~ 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。* k2 z0 [: t4 e7 W7 U
. [8 e; g' J. K2 z$ R- z
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。
2 i! E) m. c f+ `
5 `: W7 T; \/ _* F 2、台湾，香港等地使用的是BIG5编码8 R2 B7 ]" H8 ^' s4 h. E! E
9 ^" p- w+ ~4 f& e* ^* Y q- Q# j 3、日本：SJIS编码" k% X- _* n& j5 \( W9 f6 b
+ X; e0 x9 g) r+ X 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。
# M2 z( b) h7 F' \8 ~( s# s5 }/ t# t( O2 R+ f
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。# J% P% c6 j0 S7 }# K% v! c w4 n
. E% D8 R: J3 J3 _& {) _4 R0 S
Unicode的学名是"Universal Multiple-Octet Coded Character Set"，简称为UCS。 R+ t8 ?$ o$ F: b- \. v
1 I$ W6 o- ^ ~( R' B- `9 A0 }, 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! s, g' ~# r* V$ a+ b E* {" G
8 l [4 I0 r& p9 D- o. x
20000-20FFF - 21000-21FFF - 22000-22FFF - 23000-23FFF - 24000-24FFF - 25000-25FFF - 26000-26FFF - 27000-27FFF - 28000-28FFF - 29000-29FFF - 2A000-2AFFF - 2F000-2FFFF
! z: F+ C I8 t* X
% H1 b# z& Z3 g2 b, Z" @ 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。# i+ N& D+ l; J) O; O, r% f+ w% Q( E
0 W& J! _4 X3 X0 R( a9 [ 什么是codepage?codepage就是各国的文字编码和Unicode之间的映射表。% j; I) r6 f# }9 Z) T |& S
( ~6 i5 }$ Z- y: a$ V 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。, E* P4 w8 _9 [7 B0 i- o0 `" M
" G/ _* i$ }& Z( C8 b' ?2 V codepage=936 简体中文GBK
" Y" Z4 \9 w1 B* A" ]* Z6 @' \% W5 T+ o+ R
codepage=950 繁体中文BIG5% E2 Y$ S9 x+ g h! G3 B9 o
T5 P3 l! T) y' ^- q2 T codepage=437 美国/加拿大英语' p8 {' Q$ J4 a' s8 v3 b2 ^) w
( K+ r- E$ f0 B5 U# I
codepage=932 日文2 U9 A |5 i0 w' r
) S9 Y2 H% x7 C codepage=949 韩文' {( ^" s& x- C2 O; p/ K
$ j6 U2 L( O/ A4 d1 _
codepage=866 俄文, i$ `0 a' i& @8 x4 O- |) d
. {$ n1 @2 ~% T2 w% Z- l codepage=65001 unicode UFT-8- m( U2 c: a. ^% w* t
4 d% ~; o6 ^# f+ q 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。, F5 u& ?0 V' Y. Q; `
9 z# Z2 @3 ?+ K* J {# I( y7 r
从936中随意取一行，例如：
; @0 Z8 @% f. R
8 ]0 s3 I. d5 F0 t( K" p5 U; K5 v& ? 0x9993 0x6ABD #CJK UNIFIED IDEOGRAPH$ G3 c" P0 [$ C( ]/ d+ q1 o
' H4 N/ Z, l5 M! G
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。
6 f4 m+ F: C; p- j. ?0 `" G& m/ `+ ^, ?; M9 V4 A( G! O, M1 j( O. 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?
6 y! S& l3 ]* } R- Q9 p
8 x2 I4 n! d( y7 O 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?6 r# g- K; ~% Q9 _/ c$ {+ H+ s
6 o/ |, e$ Q( r" f# {9 n) d 例：
' K {; @) U1 W. d s* z& o& L$ e* ~2 }3 m7 M6 l
E4 BD A0 11100100 10111101 10100000
( r* N( T! T5 v5 d! j
' D8 N7 O. S# O$ [* I! t2 k, \- a 这是“你”字的UTF-8编码/ P2 p, E! z8 S* g% H, ~
: o" {- L, L- l+ e 4F 60 01001111 01100000* i& w6 U$ L n5 c
- Q2 a0 K8 e7 f 这是“你”的Unicode编码1 x f. q, k, g. g* A
- N% n! l9 _2 t! V [6 x
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。
! u$ L( Y- E3 |. o8 d$ @6 S5 X/ c- b3 T* \3 N& ?
以下是Unicode和UTF-8之间的转换关系表：. N! _: K) [8 V* N2 x
- ?9 \4 v. b0 y+ I: V U-00000000 - U-0000007F: 0xxxxxxx+ N$ }0 ~/ Q0 ^& \& {
- W- b. D7 }, k0 K# u/ y U-00000080 - U-000007FF: 110xxxxx 10xxxxxx# W5 q3 a" s$ Z( g% D+ b7 _! c
2 c5 @: E$ a# g$ {1 z
U-00000800 - U-0000FFFF: 1110xxxx 10xxxxxx 10xxxxxx' u( n% C7 s0 j& D& V- B$ f
6 N. X8 x9 |; P, Q1 t0 U T U-00010000 - U-001FFFFF: 11110xxx 10xxxxxx 10xxxxxx 10xxxxxx7 p5 O# r* P3 C* s+ n" {6 F
/ G" M B4 i, k: v5 `$ x
U-00200000 - U-03FFFFFF: 111110xx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx5 c$ y+ E: _0 ], K# |/ C
5 ]6 K6 W0 d! z" X U-04000000 - U-7FFFFFFF: 1111110x 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx+ p" ^: U4 T, U. [8 ~
5 k# q7 q) a! ^
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
| 