|
 
- UID
- 1
- 帖子
- 738
- 精华
- 28
- 积分
- 14221
- 金币
- 2401
- 威望
- 1647
- 贡献
- 1349
|
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：
/ J. H. E2 G8 S/ C" m6 N- P$ K
! l& _: C: W; 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。
5 a6 c7 Z3 H- B4 t3 K' w& ?6 V
. X* r( u9 V2 L) l) i- H$ |0 P9 O* A 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。
8 m4 p1 H1 j! y9 b0 Q& p: M3 A6 G
2、台湾，香港等地使用的是BIG5编码. S9 g& R* x# ], P( M! v
6 u+ V2 M! y1 |, t; L 3、日本：SJIS编码
% T3 x6 w* b4 j: K4 a
0 Y. M# \! G N! V 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。" X9 l9 C6 X) q. i8 @* n5 [- R
9 E& }8 F* Y! \% \+ _% K
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。* Q) u, H* U$ G
( ^2 q7 x! F t% P! m) O
Unicode的学名是"Universal Multiple-Octet Coded Character Set"，简称为UCS。
: \$ @2 T8 g8 G1 P4 g
# r9 D# d' r% t+ F( C4 s4 H: W 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# H# N" g; ]( w" e- `
9 F! @; j7 K9 T/ R7 E
20000-20FFF - 21000-21FFF - 22000-22FFF - 23000-23FFF - 24000-24FFF - 25000-25FFF - 26000-26FFF - 27000-27FFF - 28000-28FFF - 29000-29FFF - 2A000-2AFFF - 2F000-2FFFF
9 c8 ?* V8 R7 \) t$ W" M6 g# H" E9 q3 h) h, Q+ R* R1 c, ^* i! Q1 m& W
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。
* m8 J( k4 q3 W9 m i$ H
8 ?, W$ B, I0 a; l9 D6 W 什么是codepage?codepage就是各国的文字编码和Unicode之间的映射表。
8 C; L! Q8 S4 x; A4 ~: H. K% c$ b0 R; Q% b4 A
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。& C4 ]8 P# X+ ]$ |7 `, L+ A
: B: \$ q6 s# d1 f
codepage=936 简体中文GBK2 T& @, a; \) A
2 E# B: A, }: l" A5 B
codepage=950 繁体中文BIG5
4 E& P& a$ N4 }8 {; a7 R
@* J2 y( O; j8 E, S& K) k' F/ H codepage=437 美国/加拿大英语9 w8 l; V0 y0 @) _
/ w8 F! `+ h2 ^! a) K+ E: s
codepage=932 日文( U9 k$ S; d5 S; G7 k
! Z' s; G4 ~) [ C ^
codepage=949 韩文
: h5 s% i* Y( ?6 N: `
* a+ B/ I' K5 I M. c' I5 P9 W codepage=866 俄文
4 z2 x5 \9 X( B. a+ e p% m8 M( V! G+ [
codepage=65001 unicode UFT-8
0 M0 r" j0 e# I, t6 Q
: @# l: T- H! |2 A# m. t 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。$ I k) K" s( h. x9 Z
' V/ Z8 }0 r E' Z8 ? 从936中随意取一行，例如：
4 {2 F* E& g" J0 w! b- I4 s, }; p& N; A
0x9993 0x6ABD #CJK UNIFIED IDEOGRAPH
9 {% \# x/ d r+ i5 ]1 N! T9 T8 k5 E) Q# z3 i; S9 J, [" N
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。
) i o- ~# G: n- J4 O- h# \$ D& b% X- d2 R
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?
: T" p; L# z$ f0 ~
% l8 I$ ?2 D. q6 ~$ W% ?& ? ?7 s 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 Q1 B5 z! a: r4 R
+ |6 M1 P9 K2 P* d5 o' A* L 例：' R# O9 `7 G, b, R) T/ a P2 v) O
4 j9 N. s% g5 p: `" g E4 BD A0 11100100 10111101 10100000" b. j2 }4 ^3 }4 c1 l! O; S
) V. h3 t" S S9 M
这是“你”字的UTF-8编码4 y0 d+ k/ X: w0 l( L- {
# [: z% C& x; ^3 l: \ j! k' m
4F 60 01001111 011000000 `; D2 X# I- l/ n
. g4 h/ k% s( h" Y$ `. J1 l) } 这是“你”的Unicode编码. o% U; I1 A; {6 e1 R: b, Y4 W
, }3 U* p' K U7 r- I* b- o$ k: G
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 J1 G/ m# S9 ~) J1 _! g+ l& r. E( m+ f' l) ~- T
以下是Unicode和UTF-8之间的转换关系表：
( D! p1 G- J4 t+ B5 B* y; F2 ~2 p8 E# r# G. }- u
U-00000000 - U-0000007F: 0xxxxxxx- p8 B- _0 M8 T$ a R+ Y7 n" B* S
0 }' c) D0 h) X! p9 i U-00000080 - U-000007FF: 110xxxxx 10xxxxxx
P8 f' n0 h3 l3 y- x0 O2 y* ~- p5 \. V
U-00000800 - U-0000FFFF: 1110xxxx 10xxxxxx 10xxxxxx }* ?8 f z4 C4 _# C1 [( V1 I
1 c! P" ~1 S4 E5 A6 ^2 I6 v* j
U-00010000 - U-001FFFFF: 11110xxx 10xxxxxx 10xxxxxx 10xxxxxx9 q9 y* p& Q$ x) M- N- Q$ `4 i1 ~
8 Z! Z. ]3 y% Z, b" b
U-00200000 - U-03FFFFFF: 111110xx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx5 `) p. @% s1 v4 `( t- o
. v) S- r. n! i7 R( W7 d U-04000000 - U-7FFFFFFF: 1111110x 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx2 K. Y3 J+ t" Y
6 }: g# U0 p: H+ M+ [$ 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
| 