|
 
- UID
- 1
- 帖子
- 738
- 精华
- 28
- 积分
- 14325
- 金币
- 2448
- 威望
- 1647
- 贡献
- 1396
|
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：& E0 ^- \( ^6 y. c# @+ h+ d
7 l+ M+ {: O- ^% K$ P3 Y" |
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。2 _( d& G) d- A/ u8 l6 H
# x2 N2 A6 N8 i/ m0 R
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。
& H% y( G/ P1 E8 f! \$ I7 p7 n. F* m3 c, B% h
2、台湾，香港等地使用的是BIG5编码. O# ^5 |8 @4 x/ ^- k! [
& p/ K8 r* ~7 ~6 N5 _6 e 3、日本：SJIS编码, c3 F5 W0 {) h8 B" d' I2 h. F" ?- L
* h9 @* {2 g: ?2 ` T 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。 I* A$ ^3 R( F% t- R! m$ e
& ?9 Y3 O5 E% V0 x8 O' I* U* i! q 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。
& ^) M, F6 o ]' Q; P( w" h6 B( B
9 F3 u& i' Q |0 ], i Unicode的学名是"Universal Multiple-Octet Coded Character Set"，简称为UCS。
% Y p- M8 O- ^6 a0 q5 U) d
2 W3 i5 Y6 q% W! `9 Y9 {" k. C+ P [9 ] 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 p5 v t `* ]! |1 T
: l5 U: l# r) `9 h+ R* L. l7 F0 N 20000-20FFF - 21000-21FFF - 22000-22FFF - 23000-23FFF - 24000-24FFF - 25000-25FFF - 26000-26FFF - 27000-27FFF - 28000-28FFF - 29000-29FFF - 2A000-2AFFF - 2F000-2FFFF
( C ?1 ]/ r0 K p% f& L. _6 i# s" a2 s0 m& H! ]5 E
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。/ J/ w% d. y5 \( {# w% r
, O6 n3 m) P0 L2 C3 F 什么是codepage?codepage就是各国的文字编码和Unicode之间的映射表。
0 L/ G9 H8 n+ K }8 f& p1 v2 {1 i y, y- D! [& r" f
比如简体中文和Unicode的映射表就是CP936，点这里查看官方的映射表；以下是几个常用的codepage，相应的修改上面的地址的数字即可。0 e8 B# o) Y6 a% K, j3 N; B
! m3 V4 \) A2 q6 C) q codepage=936 简体中文GBK
7 W, f( r3 q2 j8 p& Y5 O' d. i
3 s$ r6 M( ~9 x( O codepage=950 繁体中文BIG5: y* c3 M0 |( A) N
+ b: `$ A) _1 C! D0 |0 `/ w0 l; N
codepage=437 美国/加拿大英语
% m+ w% a% e- y
& ? A9 E/ e; F9 `4 B1 K codepage=932 日文
7 G8 }; c5 \8 `; B" ^2 {2 ]. Q. Y* w' k) }
codepage=949 韩文
% b8 f+ e2 ~, B( r
0 k( r% ?' P O2 j0 t2 L) | codepage=866 俄文- d: ] H6 J: x3 q# G3 t
; h2 u7 D( d; g+ ? codepage=65001 unicode UFT-8
0 d, O4 ^& r7 y4 B7 l5 p" ]" u
0 ]' @! e, t. g2 Q7 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。% C% n7 G( Q7 V# z
( j& J- x3 {2 G( B) l 从936中随意取一行，例如：
* Q9 h k: c( l% f1 V3 _ H# j1 O
( V; Q+ \8 V. ~. J! t 0x9993 0x6ABD #CJK UNIFIED IDEOGRAPH
1 c O) M, T7 [8 P9 c
0 r0 I& a; b, L$ u1 j' r4 o6 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 \" F7 {, E% g2 ~
- h) r* ^ S: D n |4 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?
* U0 ~; d4 g9 U% }6 p
4 _$ e) B7 ^" r3 H) e- N 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?$ R) B i3 j$ m3 A3 y: B! ]" \1 k
) P5 w& I( h8 z, ^ 例：
2 Y7 f, C/ l U( @* K h, k
, T8 Q; _# J& L. g- D1 W E4 BD A0 11100100 10111101 10100000
3 ?2 b' c) b9 n+ s) d! y0 E
& n3 w3 G. F& w8 L5 r1 n 这是“你”字的UTF-8编码) a* ~3 y# x: X, b
' a" O9 {: N- {4 u) j
4F 60 01001111 01100000
' L9 g j" L" m- s
; Q4 \/ M4 E( u9 ?6 h 这是“你”的Unicode编码
" e( c# { }) }; ^% Z+ h w* f
) i/ x% c% x! ~$ H* c- w0 ~$ y 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。
7 F9 b8 {/ |- M+ n- c( o
0 E+ {3 p5 X& r) a% ? 以下是Unicode和UTF-8之间的转换关系表：: h& S ^* u, E# o* s& w) @& m. v
9 Q% C$ t' F' ^1 d R8 X* `' t U-00000000 - U-0000007F: 0xxxxxxx
- z) U+ v) V" I* H" {) j- R# n' w S: G4 c- [/ ?+ S" ]
U-00000080 - U-000007FF: 110xxxxx 10xxxxxx
" m7 i U/ ?' U; J7 b1 \- _
0 m$ ~" z# q4 M# v- E U-00000800 - U-0000FFFF: 1110xxxx 10xxxxxx 10xxxxxx3 h( q1 S9 R. N% ~; S2 E
( g, F. @# H S. o9 ^3 i
U-00010000 - U-001FFFFF: 11110xxx 10xxxxxx 10xxxxxx 10xxxxxx
9 U3 i& h8 \0 s1 l! I( K1 r0 D' l3 ^, i1 u' F% j
U-00200000 - U-03FFFFFF: 111110xx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx4 C9 S: s: k4 F0 [9 w
) X+ f# t$ s+ ]& { }2 g4 N4 l U-04000000 - U-7FFFFFFF: 1111110x 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx( S x; L: Y$ t7 Y5 ?. \
2 _' d9 w; [- ?
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
| 