|
 
- 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：# M1 }1 X' I9 G& h4 g
/ b& \2 x/ X S" }, ~$ I' I; @ 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。
+ X7 O* W3 e, s$ r' x% X8 S) z* P6 e7 I8 F* V X0 g( d
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。9 G9 Q( p7 P+ D' x" q7 w
/ \: P# {+ A' i% o6 g- ?4 m k 2、台湾，香港等地使用的是BIG5编码
+ o/ H1 f9 B* R5 y: f% X6 B/ P: [1 I) @# u! A& u& B
3、日本：SJIS编码
! }% }+ _- G) g2 N: y& n0 r+ i- l7 f4 `& _; [# A
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。& p3 B) H2 H4 P
& X* ^5 X2 y9 {+ d
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。' t8 t+ L {( V, p Q% M3 H* F
* P- G5 G# T; P" p/ ~! x) g7 O Unicode的学名是"Universal Multiple-Octet Coded Character Set"，简称为UCS。
$ q& K/ W5 M7 X' ^# Q, K. B# o* ^8 q9 T; k3 F) i7 r; y3 B! C' @
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
+ ~6 o+ G% V* }' g4 Q9 ^! _* n' Z2 A3 ?$ d2 o$ J A
20000-20FFF - 21000-21FFF - 22000-22FFF - 23000-23FFF - 24000-24FFF - 25000-25FFF - 26000-26FFF - 27000-27FFF - 28000-28FFF - 29000-29FFF - 2A000-2AFFF - 2F000-2FFFF# J6 i9 a) L2 Z7 K }
5 m2 S5 P; D' T) d 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。
3 U# b& \6 n2 k0 M: n4 W
/ o. U4 E' _& X5 }! w1 C 什么是codepage?codepage就是各国的文字编码和Unicode之间的映射表。
9 Y: A3 k* w: V5 w3 Q0 { k9 d3 S
0 H) O& f9 A) ?9 \ 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。
5 Z% t) [9 {9 d. ?" z9 m+ U, g( P; X2 Y4 a; z/ n; H% d$ @
codepage=936 简体中文GBK
3 d9 l {: H5 }& j9 N: H6 b/ \2 H3 z) h/ ~
3 x5 \: h7 B/ c2 x codepage=950 繁体中文BIG5: a: l0 C& U1 ]) K
7 E+ ~' n5 s8 a. J7 K5 ]# {
codepage=437 美国/加拿大英语) @! |+ D$ u. [
8 A, `( `- J% N
codepage=932 日文
3 n- m% c$ r4 h0 |4 {2 Q5 `" o* E1 ?
codepage=949 韩文
5 O1 s8 M1 k; b u8 {. _" r4 y) \7 [, F
codepage=866 俄文
" q& X. [8 ]6 c3 z2 N; L8 l. y7 H1 a) F4 w) m
codepage=65001 unicode UFT-8
x2 Q9 }& l3 b# m- U: |& i& _$ [& k2 S: a9 Y" h. G1 w+ ~- y) o! 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。 l6 A/ h3 c }4 e
4 f: ?$ g6 c# C9 A0 ~9 ~+ Z: } 从936中随意取一行，例如：$ C2 Q5 |) {6 t2 P. W' k D. H
0 w% Y# v0 k. O# e0 N
0x9993 0x6ABD #CJK UNIFIED IDEOGRAPH
4 h' T |0 k) S+ M. x' L
3 x5 r) V% [, P' r+ d 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。
3 [% @+ g1 v( R' h$ S7 f
. K9 Y- t% o3 u. O) }+ g/ k' E 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?
# ]- x! \2 y7 ~; D! e
% t7 e7 z) V, ~, c. c" l2 i 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?
: q% A0 r: S$ I/ Z. O" ~/ ~- t: s2 Z$ k; K) n C' L! u+ A% H
例：
, @) ]! p8 o* c. @" e0 Y0 i6 W( ~& P* ]/ E, b# p: f
E4 BD A0 11100100 10111101 10100000. e, P4 V" W* }+ A5 G
# c, d% R+ j7 J5 B) R3 Y8 L$ a
这是“你”字的UTF-8编码2 i. @/ Y) Q! A, o- Z7 l
, |+ c" E, T9 |: f2 d* l8 O3 s. W
4F 60 01001111 01100000# a) E2 Q" l% D2 }
+ ~" M; H$ v* w
这是“你”的Unicode编码
/ g$ R: @& O# L! g
) N# H( W+ M+ L2 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。
1 p+ |( `) D" q- g0 S9 a; u/ ^) j/ W Q5 k* O% E1 z4 s# Z
以下是Unicode和UTF-8之间的转换关系表：
2 C- t: [4 n( H' _" _) V( m h5 r3 R! h# m* i
U-00000000 - U-0000007F: 0xxxxxxx1 j- }' S; i1 n b# @, G
5 }2 o. j+ P" y U-00000080 - U-000007FF: 110xxxxx 10xxxxxx6 X9 L! p$ R- {4 y/ C3 ]+ _
; q1 P7 Y" N: ~
U-00000800 - U-0000FFFF: 1110xxxx 10xxxxxx 10xxxxxx+ E: f- X! J6 o8 I" O/ B1 S
% g% y* | J7 L7 f" H) P! { U-00010000 - U-001FFFFF: 11110xxx 10xxxxxx 10xxxxxx 10xxxxxx
! Y# ~; B* V+ F4 w! ^; c# L* K" Z
# o( w! @) @ } U-00200000 - U-03FFFFFF: 111110xx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx
- l# L2 q( q8 ]: B8 D+ G3 c0 P3 I5 J5 J' N1 w$ z6 x
U-04000000 - U-7FFFFFFF: 1111110x 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx5 u% D- R0 @( N5 F
, O: R8 Q( W( g4 x" I! c- i7 q
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
| 