|
 
- 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：
: N6 f( [$ O: R+ S$ j- d6 _0 L3 h
* b, ? ]# x1 n* R% Z { 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。
7 \1 w# R; W4 M& q8 a n* |" |* ^& l, C% 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。$ ~+ N/ Q4 @, U
2 D4 d* d2 T$ g7 l4 x0 X3 q
2、台湾，香港等地使用的是BIG5编码8 v. V/ P* s( j) I/ ^$ y
3 g2 v2 b; O0 t2 Z6 l; B+ O( A: n& Z
3、日本：SJIS编码
2 B/ P3 r0 n6 q! o$ }7 L' k
; o" d" W7 j q- I! V5 P( z 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。. @' H5 _- q0 @1 f1 M
0 i2 r X$ E8 R 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。
2 [. B& N" l' |2 F9 b/ E( g8 n% Z1 g
Unicode的学名是"Universal Multiple-Octet Coded Character Set"，简称为UCS。
2 ?( F0 u1 s: P0 X2 @2 j7 b' [ U; c/ w- n% f. [' ]
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$ D, W# p' a! [1 |5 X# y, k
: w% s" S$ z# Q9 @6 O, j/ c: Z
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, ^* o2 N4 M2 t' e/ |+ {' s) Z/ O+ @; S d/ }, |$ [6 ]2 V
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。& k4 v7 v+ L/ a. D3 u
" F/ n3 t9 k6 d( b
什么是codepage?codepage就是各国的文字编码和Unicode之间的映射表。$ ?/ j7 d$ H) V" o9 `; S+ V
, ?; ? w/ p7 J& T# L l0 Z. c& K: 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。
$ E4 }" M- o& O0 r+ u9 g
6 V( @0 V: X$ L& U7 d+ _( _ ? codepage=936 简体中文GBK
( S' j' f6 @% }6 d4 e+ S! _- b7 D* Q% v
codepage=950 繁体中文BIG5
1 Y+ T4 b" L3 Y3 x+ m8 t( Q, J. Z: w. O" O/ E( S
codepage=437 美国/加拿大英语* j1 A6 h: z( r; I. [3 M
, T$ b$ ~8 w( ~1 O9 j codepage=932 日文
( T- H! e5 N# `: v- \: z, q/ {! D: w5 K5 ?$ Q! Q6 a
codepage=949 韩文- T" l7 k6 `+ Q V4 F1 S) m2 P
; }. E0 x: ?7 g( Q# P G k0 I codepage=866 俄文
9 u" X+ h% v4 w. u
$ C. _+ l: a3 A8 a) n! I7 A codepage=65001 unicode UFT-88 a; L( \6 _6 g" B7 x3 m) G
$ C8 W" M& ?' w; R& Z9 y
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。
6 y, q, v5 `: o) w. e+ A" H
1 T8 H5 _& Z. K8 u7 Z 从936中随意取一行，例如：: ?: t2 Y6 z; s- `' \/ d
1 S) F7 f4 Z: E/ T) Y$ i p. d
0x9993 0x6ABD #CJK UNIFIED IDEOGRAPH H' W; z3 S z0 c" d0 B5 A& a7 o
* z* \2 y, t: E; u" a1 u9 r
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。1 ?+ x5 E# K2 N2 o6 S9 u" W. M
7 k7 ]7 N8 @9 `; _# _" k% p7 m4 S 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?
5 e, d0 c! h" x3 A1 @) ?% F
8 s- f# v' c2 p3 [4 S3 q3 ?% U' O- B" L; ` 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?
; I0 s' G6 @0 l1 [% _
1 ~& W, ?4 [* ]+ r, Y- W 例：
. H- L$ D$ v5 U& L! U" \/ {
( m* Q& q J" n; L: }8 g E4 BD A0 11100100 10111101 10100000
3 @ z% E o1 w
( W- `- F3 U5 `. q 这是“你”字的UTF-8编码: X* C+ H& s. Z# B
- B# G1 a2 ^: Z) _$ t4 L0 |
4F 60 01001111 01100000; [: ^) y, Y( S% t' h
; T+ K) a- K) V 这是“你”的Unicode编码
+ m* `8 B, ]! f$ {5 x0 c
) W. c, l' v2 d- r1 ]' C 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。
, ?6 j" f4 e: d9 [) u# [# C1 S4 V! K+ d5 H* c, G l" }5 b& `& T: x
以下是Unicode和UTF-8之间的转换关系表：
/ ?. h) v7 z- J
: M6 }- M! b6 j/ [0 _" D U-00000000 - U-0000007F: 0xxxxxxx
5 Q/ ^# F- f8 @. O7 i# {
# S9 }8 T P! V7 L9 P2 c" l U-00000080 - U-000007FF: 110xxxxx 10xxxxxx
1 k6 O, [3 R, m1 R; Y, |' O; T: T
& d1 V- u3 X: g$ y4 ?3 l1 i U-00000800 - U-0000FFFF: 1110xxxx 10xxxxxx 10xxxxxx
* p( r2 `, n/ Q! g4 x E$ p" @
8 ^! \2 O Y; J0 Z" _) i- l' @ U-00010000 - U-001FFFFF: 11110xxx 10xxxxxx 10xxxxxx 10xxxxxx3 `% u- R q* M; V
1 ]- Z2 [ ]# d! @ U-00200000 - U-03FFFFFF: 111110xx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx3 S- ^4 x6 \* Z
; r' z% \, g& y ^$ ? U-04000000 - U-7FFFFFFF: 1111110x 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx
A V5 q1 ^! I$ R" p+ L$ A0 Y; A& g. @( ~% r5 F
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
| 