|
 
- UID
- 1
- 帖子
- 738
- 精华
- 28
- 积分
- 14247
- 金币
- 2414
- 威望
- 1647
- 贡献
- 1362
|
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：5 n9 K i! F: a: m" X
- x( Z2 P. }/ e9 P* ~+ B
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。% R1 C9 u8 m$ n# `! \! g
) A7 M& S* f- W6 ]; x( F% z) H" P
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。
3 O3 G7 c8 N/ X$ Q
, {7 U1 M5 \' H; y5 S 2、台湾，香港等地使用的是BIG5编码& O& p' c: H6 l& X" Y9 h2 w: ^
3 K9 `' R; E; m
3、日本：SJIS编码5 g2 N; m7 ]6 _1 \0 R
3 p( l1 M1 p5 F: j5 ^ f: i: k0 J 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。
" O* b0 h' O R! |# ]' B- Q: O9 B5 r0 f% q; J/ t6 H
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。
! [% F8 t' p! J8 m' L9 I) l" n% f8 k, I
Unicode的学名是"Universal Multiple-Octet Coded Character Set"，简称为UCS。$ ]' C8 m4 Y! W1 z8 m/ q
1 R% a, I) g0 J8 O 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; C! e0 W1 L9 q u
( I8 ]# }) C9 r1 w- 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: Z; T0 B2 v/ t R
+ T7 |; @# r( g. G
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。
! @/ o0 K! {5 o2 K9 i
0 l0 v# e& J8 m# E; \ 什么是codepage?codepage就是各国的文字编码和Unicode之间的映射表。; l( D1 ~* r" h9 ~- a* F
" x* B3 n4 V! |, x% w. p
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 S) w% g4 r8 F, X
5 H" x- Z% H! m6 I codepage=936 简体中文GBK5 z! s2 g @- E, @
' z' Q. A, T. ~, b$ l8 `1 C
codepage=950 繁体中文BIG52 n* L6 L q2 \9 Q
# f, |4 z8 A2 }3 _
codepage=437 美国/加拿大英语
9 p. e( `# N2 x/ ^" G/ R. b
$ d9 N( Z! Z& [- N; H; \, Q codepage=932 日文5 l2 g7 [4 z5 d1 A
6 r- p1 x/ t7 w4 v( E codepage=949 韩文: V/ @0 b' y1 P$ C
$ ^' ]0 d+ R$ k
codepage=866 俄文
7 i9 |' B' t! L( t
j3 E. V* X3 V codepage=65001 unicode UFT-8, k6 z1 ?) e- Q: Y4 I
/ A" L5 f4 l# p5 H: [6 f4 }+ 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。
- n: g+ X5 u* {4 O! G5 V' Q" z" \
; Q* D% X. K4 z, K! S$ {0 r6 T 从936中随意取一行，例如：3 ^; C( K( T5 k+ H, l( w
. G3 T8 H/ l9 T, f3 V 0x9993 0x6ABD #CJK UNIFIED IDEOGRAPH
0 d2 l J5 Q2 d. g& ^1 S
; s& R1 ~; |3 i& G 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。
- t- {6 Z& g6 Y3 |* j C! K* P
% l5 L( O0 w6 |2 N+ q4 Q 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?
( r: b8 U9 F; n$ m' T
. z4 p: c( _( 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?0 f. Y8 f0 w4 j( e3 `* }
( x0 a4 O4 n: _/ S" U& q- u
例：
4 ~: O; z- ^2 U& h7 u
_. z5 H2 r$ L1 Z' K+ M E4 BD A0 11100100 10111101 10100000/ A% g4 D1 Q4 U
* u- [& r- h2 }' M7 E0 v 这是“你”字的UTF-8编码
# k, b+ A1 n/ Z0 f! _; {$ o) c
* R; j- g) |. J) k$ ? 4F 60 01001111 01100000
3 Z- |7 D. J( G$ K1 f* E+ s% v5 D! B* E: m0 ]8 s$ B* C/ B; |/ N
这是“你”的Unicode编码
. t! i+ \0 G& q" S* |( n/ J0 ^! T& E5 ~# x- h1 ], A% S( n! G2 {
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。
/ H0 D4 {2 v$ }4 Q; y. J( u ]9 Q7 a
以下是Unicode和UTF-8之间的转换关系表：* g2 s6 n& B( p' B u+ F
; X1 D7 d! P2 z( t
U-00000000 - U-0000007F: 0xxxxxxx
# I- b* J8 n5 c# d" b8 I, T! ~+ ^& P% ~/ c. p! D2 n' b$ i F- o
U-00000080 - U-000007FF: 110xxxxx 10xxxxxx
5 b& Z; f( B: B1 C# ~3 f7 X( H
3 H+ t% ]! n& b1 \ U-00000800 - U-0000FFFF: 1110xxxx 10xxxxxx 10xxxxxx
; X6 N$ s( L% r$ L( z/ ~; M' E
0 b1 V( C6 e) t( d! }( c/ y U-00010000 - U-001FFFFF: 11110xxx 10xxxxxx 10xxxxxx 10xxxxxx) S1 ?! t8 ^# \; w
2 J3 x, K; g' W+ z4 _2 Q+ b C$ a6 [1 [$ T
U-00200000 - U-03FFFFFF: 111110xx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx
% `7 `2 D6 v. D, t; x' k; ]; I: L
U-04000000 - U-7FFFFFFF: 1111110x 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx4 ^3 p5 ? {4 y% S$ L
5 z+ N% _2 e& q+ r* p- w. N 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
| 