|
 
- UID
- 1
- 帖子
- 738
- 精华
- 28
- 积分
- 14159
- 金币
- 2370
- 威望
- 1647
- 贡献
- 1318
|
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：
/ n1 Y! j2 m( E6 X7 w0 Y3 W) S
% D/ a( C: r# b! L; @5 l 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。8 B" D0 U2 ]8 b3 V& X2 n* |0 i
; ~1 ~/ g( _8 L7 }5 X, ? 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。
: N/ _- g5 p) t, {/ A2 H+ a4 ]. Y- |+ W2 l- F; H \
2、台湾，香港等地使用的是BIG5编码
5 {6 m5 {' N7 m0 R9 Z) {8 _ a( x% R& T, {' z3 }
3、日本：SJIS编码
* K( H2 ^ b" b" q9 f1 d+ V
! Z" ]" Z6 q* X( n" w% s 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。* j. u' e% u6 b: O, p) h
2 d# j, V, x* o3 y$ 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。! z: }# D% v# L$ Q5 `6 F. D* H
4 V _4 |, B9 p; T1 W( o
Unicode的学名是"Universal Multiple-Octet Coded Character Set"，简称为UCS。
1 S8 A- m/ L5 f l. t9 G
" k9 |! E2 x3 A; I* N 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+ M& p" ^& {4 m5 J- @
8 H; D* w/ f" W: t4 S0 o 20000-20FFF - 21000-21FFF - 22000-22FFF - 23000-23FFF - 24000-24FFF - 25000-25FFF - 26000-26FFF - 27000-27FFF - 28000-28FFF - 29000-29FFF - 2A000-2AFFF - 2F000-2FFFF
2 J4 B7 j, ?; e* E; U- B/ b4 j" X; s4 ]' ]
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。
2 `. }. f& _; Q; w
- e. {& n! Y4 f 什么是codepage?codepage就是各国的文字编码和Unicode之间的映射表。* X8 m2 B) B5 h, W. N! m* _4 }
9 X* B, n! _! `% G
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 }* ^8 Z: ]5 Q" @' l) J p6 Q* e
& X8 L2 Y7 y2 J" c! K9 g# B {- h codepage=936 简体中文GBK! |% N1 g2 g8 `2 @8 s1 W$ V
% U N8 k7 h5 T" U codepage=950 繁体中文BIG50 d/ Z2 `5 Q3 X9 F( A
# c- a( { \" F& t; p% n codepage=437 美国/加拿大英语
4 f' o: b2 _/ p+ f- p3 }) T4 j4 u7 a& f' C# O1 E
codepage=932 日文' o4 v- i1 @" a% W, J& {# u
5 g. ^6 K$ h1 p- ]# z codepage=949 韩文
' r7 {6 }/ `9 Y; z$ s# C$ d) `, Q& Y8 A$ `9 C Q* m$ e! x
codepage=866 俄文
' G5 b3 p/ n# [0 e5 h
3 m( U8 z+ _* h3 B# t( }9 o- J4 @ codepage=65001 unicode UFT-8
5 {" w3 L$ J4 O8 a7 e! n' q& X
@& f) d; j4 x2 s* r 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。
. E3 U) L* C( N: E
/ m% W) e7 r# `9 ^$ z 从936中随意取一行，例如：
' s& b% {/ m/ |1 `2 b& h$ @% I: T. P, P
0x9993 0x6ABD #CJK UNIFIED IDEOGRAPH
5 j3 N) o1 Z1 E) X- @/ i4 T+ S/ y0 o0 x1 [- ?- J. g6 U
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。
; d; C, H; J2 R' K8 C6 n) z
" Y% x2 \% p, } 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?
2 N- ^4 l1 ]1 W# S+ z) c5 u" C6 x" @( q, v2 ]/ W! b
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?1 o! b: _6 `# t& c! u4 g
& U% v( j$ K G q- X 例：8 C, T7 E% F7 Z' ]; v
+ f) M; a9 }- s% H# @7 M
E4 BD A0 11100100 10111101 10100000
2 b7 e" J6 C' n' |: L+ W" ^. w& i) X R1 \6 E9 x& [4 @
这是“你”字的UTF-8编码2 j- k, {! U6 M7 [( O5 D" }: Z
& ?# g' t& n- K 4F 60 01001111 01100000
8 t+ {$ x- g2 d4 V7 N5 _
5 ?1 `1 @ l5 C5 _; j 这是“你”的Unicode编码' V0 W) i- o+ b* @) l$ M% G5 z
$ K5 ^& y- s6 B3 a/ s F0 G+ w
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。; U" z! U5 o6 s1 I+ S
" `. ?- u% k5 l2 r
以下是Unicode和UTF-8之间的转换关系表：( v2 L6 M& G6 P
$ o* }1 ?. O% @9 a0 ]+ ?; O: f U-00000000 - U-0000007F: 0xxxxxxx; z3 K2 C3 F0 y" e* R! j, d
3 `. b, [1 g1 v/ @
U-00000080 - U-000007FF: 110xxxxx 10xxxxxx& h3 G& f0 x% G% C b4 q0 n( j
z$ b! s8 m8 N1 |; B; x' } U-00000800 - U-0000FFFF: 1110xxxx 10xxxxxx 10xxxxxx
1 k! O0 k- _# h9 h
& Q5 O3 G% H8 s4 Y U-00010000 - U-001FFFFF: 11110xxx 10xxxxxx 10xxxxxx 10xxxxxx4 e- |: q! o/ E: m# B8 Q2 G
- a( Y+ [- L1 g' M' C* f U-00200000 - U-03FFFFFF: 111110xx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx9 C, W& b l, S9 e
# S" ?9 ?1 n" y+ h+ ?1 [6 ?! J& T
U-04000000 - U-7FFFFFFF: 1111110x 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx
" L+ b A0 k. W# W' c$ f; W
( m/ G# e- u" }3 S( z 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
| 