|
 
- UID
- 1
- 帖子
- 738
- 精华
- 28
- 积分
- 14443
- 金币
- 2507
- 威望
- 1647
- 贡献
- 1455
|
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：
9 r v$ [' _3 ]' n# ~" r8 T$ M' \+ W" r. Y }4 T, ^. d) e
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。
- h; M* D' _+ c% m
" u+ q( F6 F/ ]/ g8 C) S' A# S 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。! |+ c+ |, C0 ^- C5 L p
S6 ]8 O: |! u+ S
2、台湾，香港等地使用的是BIG5编码
, }1 u9 Q2 Y8 F# E' S* Q- u8 h
4 K" V9 H" [/ s* y8 C 3、日本：SJIS编码
6 Y Y# t$ j/ K0 C1 T% R
# h" q8 x* _9 F7 u7 Y 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。, E9 E8 _3 s+ I: G% t
- F0 x: G! L6 U
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。. L+ F) Y3 L. n7 y
4 @- n E* ?& \; _6 P; R% Y
Unicode的学名是"Universal Multiple-Octet Coded Character Set"，简称为UCS。+ h3 y0 Z4 X" y1 ~$ |* I
3 `( M) Q( @: l1 y2 T+ [- @: `! ]
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% o. b, y9 L9 r9 A% V; c
3 ]7 q6 @, Z* B0 j7 ^1 f
20000-20FFF - 21000-21FFF - 22000-22FFF - 23000-23FFF - 24000-24FFF - 25000-25FFF - 26000-26FFF - 27000-27FFF - 28000-28FFF - 29000-29FFF - 2A000-2AFFF - 2F000-2FFFF: R Y- h9 f' c9 P& f
% g o. h) z* i- n* Q6 f) `/ Z; @6 B
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。
' C2 _; d) Y/ B+ B. t/ L4 j
2 P x% [. i' D3 c* X0 ~* ] 什么是codepage?codepage就是各国的文字编码和Unicode之间的映射表。
* ?* G# t5 M _! |, e0 o, h6 d* Y$ O; z3 Q# f; Q& D. w5 {
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。
* D! {: ^7 b5 g0 Y1 [/ K
) d" _9 ^- k0 S# M- T3 g$ P. f codepage=936 简体中文GBK
/ w2 g5 @: l& m# R6 |8 C9 x
0 d% A6 F: p3 }- u. L codepage=950 繁体中文BIG5 p) \0 d& ?9 _2 c _
7 Q% x, I' p8 u, L4 X/ @) d \
codepage=437 美国/加拿大英语; j, Q+ p! r& m& x, T) S- r
7 R, m0 c3 @2 ?) I codepage=932 日文& Q( f* T( V1 R; V+ g
! s/ w; k+ u/ q: a* ?+ S' ? codepage=949 韩文" ^2 F4 J: \; [9 C
3 K: x. n& s9 f3 n2 f0 D codepage=866 俄文
& z6 P" t3 w" t# d/ h% m7 f1 k6 N3 D- _+ n
codepage=65001 unicode UFT-8" ]1 ]- r* z- d5 E! |
4 z4 T+ u8 @. G* C1 }; G
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。
: P+ ^- N7 h7 E- @9 b* g# \8 j) F
3 }% J5 a0 u( D3 Z) t3 P& g! E 从936中随意取一行，例如：
9 o% b% U# @/ z z7 F% l/ f* H. V/ ?" y: e: T) W5 ?
0x9993 0x6ABD #CJK UNIFIED IDEOGRAPH
0 _. f$ P, Z) ~! o* z5 j3 ]) C; z( \$ V+ i5 X7 Z6 D7 X7 w. b/ o% ?
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 s/ y4 U+ H$ i. b+ [8 }, n* G2 u7 c! t- t
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?, Y j) [0 h) s
/ ~# u9 J% ?$ O& {2 A 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?
* v+ p7 _+ Z" N! u8 M
' u6 X. D Q! ?. G 例：
" T2 k6 x, J! a
1 r/ ]% e0 @+ o& X8 o9 v* x8 W E4 BD A0 11100100 10111101 10100000
5 E; Z: l( k- \; I
4 |1 i$ L6 h" g 这是“你”字的UTF-8编码
1 v3 w- }) u' P0 Y3 i
! Y4 W8 O) a& ~' @% E7 g; s/ |6 z 4F 60 01001111 011000008 S/ j. M5 f* ~4 l9 c
# `" Y5 b% K( g0 x$ n 这是“你”的Unicode编码
( \5 Y8 N) `% w; W3 y( e0 y; O2 f9 R1 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。
; Z' S* ?- G5 r) m1 f
0 [" o+ U) c* X8 \( W: j! a, P8 O 以下是Unicode和UTF-8之间的转换关系表：
% _ X" V! ~1 W, b- z. M" m& I5 Z" Z+ U7 f9 o/ s7 P
U-00000000 - U-0000007F: 0xxxxxxx9 u$ t0 f( i7 ]! t3 O
8 S% `; H# Q7 u( Q
U-00000080 - U-000007FF: 110xxxxx 10xxxxxx- U0 o9 k$ A! V+ _
, E% o# O9 E: S2 {( }, p9 t U-00000800 - U-0000FFFF: 1110xxxx 10xxxxxx 10xxxxxx+ g# {/ a% X: ?; W& a
# d7 S" D: G$ D! A1 _ U: o
U-00010000 - U-001FFFFF: 11110xxx 10xxxxxx 10xxxxxx 10xxxxxx
: S4 [8 Z0 p+ Y5 {, p" s! H+ N/ U% E, `4 y7 ^
U-00200000 - U-03FFFFFF: 111110xx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx5 Q0 {. n" I8 l% I) Q8 ~, l2 b
! ]8 D) ~5 ~) U$ ? U-04000000 - U-7FFFFFFF: 1111110x 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx# |; s- e; j/ `. ?9 E, T6 [
$ U( D& S5 y9 }7 i/ h
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
| 