|
 
- 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：
! l, ~8 d: k: q6 J8 n3 V4 y
0 E. A) k/ U- { g, _ 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。4 v6 M1 c W& c/ t1 k
6 @ t. C0 q# ~0 J/ B A; [; B+ d
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。& ^7 d J% M1 |3 w: t
' R2 _: g( l/ \7 F: R6 o' `8 { 2、台湾，香港等地使用的是BIG5编码
" ?% |0 N4 P3 S! I( {' m* {( x9 K
' J) h+ l; k; X5 j, B8 D# U 3、日本：SJIS编码
, K& n, c* F& _+ s! a9 \: f# `
, \- \- b1 _3 H! e 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。8 Q; G0 x, K4 I0 V( a3 N
@3 ~8 g. d7 F/ I9 N8 ]# k y 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。
8 z7 Z3 m7 _4 D% Q' S" R: ]. H$ V7 C0 x) }/ Z0 I+ o p
Unicode的学名是"Universal Multiple-Octet Coded Character Set"，简称为UCS。
- b- |$ H2 [9 X# M* ?$ A; w) X; J; f5 M+ ~6 s1 }2 f
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
1 L6 ?2 @& p2 b& E
I6 _; E, D+ l% l+ O4 ]* } 20000-20FFF - 21000-21FFF - 22000-22FFF - 23000-23FFF - 24000-24FFF - 25000-25FFF - 26000-26FFF - 27000-27FFF - 28000-28FFF - 29000-29FFF - 2A000-2AFFF - 2F000-2FFFF4 e+ q8 q6 N+ Q4 L; v7 q- h& B
1 U v: P3 c- c4 l0 G$ C& k8 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。+ D0 C. x+ P1 g" C
: X6 i n1 u5 p/ d5 d3 \
什么是codepage?codepage就是各国的文字编码和Unicode之间的映射表。
* H8 D: K4 p$ E1 E# G+ O- E; D n. V1 }8 p& X& Z
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。; a( {1 l( s- Q
) J# Z5 ~1 t9 h$ l: o: P- S* d
codepage=936 简体中文GBK' ^9 ? |5 ?+ k, d4 e6 O+ Z4 v
- ~5 C! Z' B) Y- y codepage=950 繁体中文BIG5' b# k% o& T1 A& g# ~5 F
- u( V% g0 |0 q9 s: A& c. w codepage=437 美国/加拿大英语. z! J9 r- e/ ?+ \8 o
7 a1 v w# {3 i5 c codepage=932 日文
6 g6 s% M, Z2 R# l# w( w3 {9 f/ J; E/ G$ {0 R
codepage=949 韩文
, V9 N0 V! ^( L! E( p( B6 W& h% c
+ X! \- |5 N# x& @, T codepage=866 俄文& r" R) E, V% V
) I5 u% Y @7 }8 q
codepage=65001 unicode UFT-82 P5 f7 |7 x) ^" i
4 ~4 ?& i8 W& L9 O
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。
, R" k( d" s( x1 _: p) D1 @/ y4 V* W. O/ r h
从936中随意取一行，例如：
# R5 h/ w- H( g: b Z
* _) i% c8 F+ q 0x9993 0x6ABD #CJK UNIFIED IDEOGRAPH
5 s. w2 d; a3 n) Z9 U c$ g3 ?
0 [- }& v7 y4 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。
6 k9 {: X. n. F6 k( V5 S4 m* Q2 R, n. U; t
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?* p/ R+ M$ r; q& S0 `3 ~
: E ]2 d w% C/ i! l% a 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?- _$ c$ N0 D! c( w* I& A' ^
' \. c' U) @5 i( d4 r- B, z( K 例：
2 B. {% Y8 P: h% F: _0 K# L' ]( K4 W0 ? U9 t( \0 G* W
E4 BD A0 11100100 10111101 10100000' Q. \! W4 y$ P. r
Y' |+ b! `+ s6 h% ]5 X
这是“你”字的UTF-8编码
a) A' @. y9 q: U, `
: k$ y. Z) y& m2 \ 4F 60 01001111 01100000
& m+ m0 [$ T3 k( _- `( @! n/ i" X+ |/ ^! C2 K. r! k) y) K
这是“你”的Unicode编码% ?. {* \2 g" X
5 w( G- y4 v$ G" f, j: 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。8 f! h; g' g' E1 V2 j# J) \
( V. X* r% Y& k# {: W2 M 以下是Unicode和UTF-8之间的转换关系表：
: Z/ E9 b1 l( H: `# ~. O% ?5 [
2 r& z$ k! b/ ^# K U-00000000 - U-0000007F: 0xxxxxxx% _- j* J& q! M" o- X
5 k, }0 P; k0 o* t8 I3 w3 _5 e U-00000080 - U-000007FF: 110xxxxx 10xxxxxx
& y9 H, T1 v8 e. K0 @1 J" A9 x0 p2 o' E1 p
U-00000800 - U-0000FFFF: 1110xxxx 10xxxxxx 10xxxxxx: ]8 Q; N/ A2 U+ k: z! W6 s. K' \
# m: r# q& J: ]8 s. ~ U-00010000 - U-001FFFFF: 11110xxx 10xxxxxx 10xxxxxx 10xxxxxx
; m( v3 ]/ a& t6 l9 Z. C/ K+ l0 e2 B% Q" q( g& M
U-00200000 - U-03FFFFFF: 111110xx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx
. s9 x( p& K( d" x
3 M5 A0 e4 t% y" y4 R& P U-04000000 - U-7FFFFFFF: 1111110x 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx
4 {/ ~% j! g0 ?/ C+ l( B, @" t/ F( C, B0 n& 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
| 