|
 
- 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：4 o$ }$ Z3 r. [* |
% y/ e& O: s; w- G0 Q& l% \1 b5 W 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。9 d7 U$ V* m5 p9 L$ _! U7 c
) g5 B! D9 ]& \ 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。; p) z; F n5 q+ \' g3 W v. P) S
C. `- _. s: T; q 2、台湾，香港等地使用的是BIG5编码
4 V' M8 U2 d$ ^$ @( s0 V% ?, ]- D, |3 \! z0 j% N) L2 r
3、日本：SJIS编码
2 j6 d) F8 _$ b: I/ C6 Z* Y
- G# T/ _ ^" W) I# T2 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。
# Y2 Z/ z% t. b* n% q+ t9 y% v" r! V/ ?' X" c+ A. k* Y& R5 H6 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。; k/ W P9 n! c
" {) O: Y3 n) D0 [& E) O S Unicode的学名是"Universal Multiple-Octet Coded Character Set"，简称为UCS。
( ^+ R! \* l; t* i5 g; n3 S" R7 F5 P7 d
% W7 P7 Z; O' G) ^ 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
8 b0 p, R/ ^2 C) x! R
1 e6 [- `7 P6 Y9 ?8 z. 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
( |* P n( p$ w; H) A, X' Y w4 c1 W+ M6 h) Y
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。
4 A: H: u8 D1 q) s: n; [7 j2 m( x
$ ]5 J( \4 N) K0 Q: z 什么是codepage?codepage就是各国的文字编码和Unicode之间的映射表。
3 j6 q; d" Q. q" M7 T* W
/ c- h2 ~, {% n) n' e0 M- e 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。
/ w& R( p& k+ u! B! P* Y9 {
0 o: A$ S6 d4 v. _ codepage=936 简体中文GBK
- M! `3 O$ G0 a4 O, \% @1 T1 G# ?4 A4 y! X
codepage=950 繁体中文BIG53 g. Z7 v' Y# l) C
1 C+ m7 Z/ I$ g* U, O1 u
codepage=437 美国/加拿大英语
- V" N$ V( {2 p& R" T6 h1 W$ z( f$ k
codepage=932 日文
( b' R+ [' F- ` Y* x$ \* Q' z4 ~3 S- {1 J+ ^1 G1 u& f
codepage=949 韩文
" t( D C: M# N0 m& D% [# V9 d3 F( \4 F% v/ u/ m
codepage=866 俄文
' F4 ]' n2 C& y# v8 x# S! I
) H% X/ I/ t' P1 M codepage=65001 unicode UFT-8; s% O7 Y, c( T- {; t% H
& I. y' y5 H- f# ^3 e 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。
4 E3 X: g) v3 B- G: V; ?
7 _6 O: c/ y# }3 h$ @# } 从936中随意取一行，例如：; d* _; }) w* d. L
: A6 }& P$ t- B* f 0x9993 0x6ABD #CJK UNIFIED IDEOGRAPH
: k1 i, y( Y; j+ g, J, @& J& @9 O4 l. v& @, j
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。# x S2 t6 r6 U5 v9 p% X, F+ q/ H
8 A7 q4 i" p9 r5 G; T" k, y& 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?
/ `1 P+ Q4 R; S, N" V+ }4 v$ ^, x; C) J# Q. H. v' g5 z; h. X" R
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 R4 |- b) _; _5 I* \2 L# y" q9 C3 [: y' Q" U3 s, _
例：3 j0 R+ e; F' K3 j0 J' ~( `: o
4 I3 A; I; V: \- c0 r2 S5 u* ~8 G4 l E4 BD A0 11100100 10111101 10100000
U4 Q* A3 k7 X3 D
. [* Z$ |0 |2 i 这是“你”字的UTF-8编码6 _) h# z; x! a2 T5 _
0 G3 _6 T8 A1 B" s6 O9 i& ?
4F 60 01001111 01100000' y. B9 h2 h; m" w9 {$ { {
: W. q' X- N1 r( | 这是“你”的Unicode编码7 c3 v/ ?3 u6 L
3 t- q2 @# n# ^$ D
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。
* ~8 d7 W: `2 C4 ?
' l' c/ B. V. h. u, b3 b& V 以下是Unicode和UTF-8之间的转换关系表：5 w8 G9 m3 B/ h* h
* P9 f a0 }- c
U-00000000 - U-0000007F: 0xxxxxxx
* h9 k% k% p* q+ G. A4 R5 Q% L, M# ^6 z8 m2 @+ p( c8 g \
U-00000080 - U-000007FF: 110xxxxx 10xxxxxx
; o) ~' f7 U/ N, K- r: q+ @& `3 q7 o6 [: v$ t Q* y T( E+ Y1 W
U-00000800 - U-0000FFFF: 1110xxxx 10xxxxxx 10xxxxxx- s- M9 a, j7 M( l
5 @. K! K# p9 w/ q U-00010000 - U-001FFFFF: 11110xxx 10xxxxxx 10xxxxxx 10xxxxxx
w# L$ i3 f: y- S8 ^! K$ ~" n
" m2 D6 M0 i. P' J3 W+ M8 n U-00200000 - U-03FFFFFF: 111110xx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx
4 K) u: }8 [# ]$ F1 }
5 ?! }$ X7 ~7 v) p. p# S ] U-04000000 - U-7FFFFFFF: 1111110x 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx2 x" r9 n! h' e0 s# M: \0 Y% L
; o, e) i6 P2 {! x) M$ @0 Q5 T 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
| 