|
 
- UID
- 1
- 帖子
- 738
- 精华
- 28
- 积分
- 14389
- 金币
- 2480
- 威望
- 1647
- 贡献
- 1428
|
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：$ M& Y9 @% Q; u
e# E+ a. j' V" ?6 K
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 {7 A& z v" ?* v2 q" b
* L/ U4 x% V8 F4 H$ ?/ e 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。
" }9 K; E- b0 x) B5 H
" D* G' X2 T8 r 2、台湾，香港等地使用的是BIG5编码, k# s+ |! G5 C2 y
5 s& m& c/ D: r+ R 3、日本：SJIS编码
* k/ n$ u! N: ~. w2 Z* X- V) j+ Q0 S
+ z) e7 _( W$ i9 D) p7 h6 ~/ F 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。
* w. I1 S* _% w1 a& C H& q
+ p" ]+ r0 u1 B 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。
- Y* r: Y2 W C4 g" y4 T" o) w1 |
Unicode的学名是"Universal Multiple-Octet Coded Character Set"，简称为UCS。
6 C& O; _+ ~1 h: T: |3 P5 w _- E/ M5 A8 Y" ^& m9 e3 e
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
) Q- p& ^9 j2 o4 q/ y# D/ |8 `$ `
0 W$ [- i* r8 w' `0 v( 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
3 Y c$ @0 P5 R1 M' E5 u7 B4 b3 _
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。
/ W9 Z0 D1 Q+ p( f: v! }
* N, W( u8 N7 ?4 |% h5 [* Y& W 什么是codepage?codepage就是各国的文字编码和Unicode之间的映射表。
# V& K4 L8 Y, V, ]2 w& |3 C& u; Y
$ E# K4 m3 y. v) X, 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。. a; G x. @! p4 `
8 s: p9 S4 |! t9 ~2 i( `* O
codepage=936 简体中文GBK
, S/ V$ X* k2 B( G) ?' n7 P) ]: M; n5 ]9 f
codepage=950 繁体中文BIG5
7 r3 c6 o) R9 G$ V; t4 X! r3 O3 r O: u# G. A0 D/ {5 ^
codepage=437 美国/加拿大英语
6 t6 o! i( J4 p. L8 d; q `9 u3 I* R+ l' d x
codepage=932 日文4 x1 E% p5 v3 m9 w
) l* s7 h8 V0 `/ B/ V/ d# m' p6 O codepage=949 韩文
6 g6 F8 Q8 f+ x+ v# _2 s; M7 H' m" _# M: D4 [
codepage=866 俄文
: C* A8 K6 R8 E1 k% A2 C6 K! p; f8 G' R& M
codepage=65001 unicode UFT-8, i- ?& P$ C ~4 V& K
- N* S3 @# v- E- _! N) _$ ?
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。
; D7 o$ _) y! h* X9 q9 w
' f0 n& G& i) d7 H 从936中随意取一行，例如：
V# W2 [ R" l- y* H# S8 ?6 |, {
" d* b7 S( O: ~, Y 0x9993 0x6ABD #CJK UNIFIED IDEOGRAPH+ x4 [+ L( N! O4 i( P
0 V( _+ h9 I6 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。
; }& \# t4 A b* M# T) x
- j" ^1 _2 [* {6 x( n1 C+ S 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?, C' A: U* A7 W( T* x
8 o1 S5 X! E) U# u; t* r
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?9 R4 i4 {' D% I2 h, M9 ?7 K
6 `/ e5 u- ^/ O/ G' T8 ~9 ~ 例：
3 g9 k) [; e% m* o" R( w1 `8 x1 V6 ?3 I/ [7 {
E4 BD A0 11100100 10111101 10100000
) e; i7 e' F$ s$ V
: l# V6 S# V6 H9 F. J 这是“你”字的UTF-8编码: R( w4 D( ]2 C- X
; _" T/ X+ R x9 P8 h- X. r
4F 60 01001111 01100000
$ j. P1 b9 D' M1 W5 d- \5 z
' S( |# F$ W& [: A8 `' n 这是“你”的Unicode编码0 p9 q F! }" {3 Q2 X
9 w# \8 P$ I( m7 {- L
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- J: x- s/ y8 \# f
' ]5 m! a& b5 z% l. ?1 ]$ H 以下是Unicode和UTF-8之间的转换关系表：
+ q* X7 s' n0 T
" E+ }( L- w9 K4 t5 a' R( D U-00000000 - U-0000007F: 0xxxxxxx
* J# O% r$ h7 y% F- ^4 M3 g, ?/ \# j' `
U-00000080 - U-000007FF: 110xxxxx 10xxxxxx5 e+ H- Y3 A7 K0 a
) Z" c K! P) k: j9 b% _ U-00000800 - U-0000FFFF: 1110xxxx 10xxxxxx 10xxxxxx. f$ ], |0 A& {2 q
~7 w% b8 H$ D9 _, }1 a/ V
U-00010000 - U-001FFFFF: 11110xxx 10xxxxxx 10xxxxxx 10xxxxxx
, }( o, C9 ~& F7 k* |6 O& J
, `% i, m9 c. p1 x) h8 j U-00200000 - U-03FFFFFF: 111110xx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx
. A$ k) z5 r2 H- x6 {$ G7 u
. V' R% W8 v: m: J U-04000000 - U-7FFFFFFF: 1111110x 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx5 X% T5 Q2 Y1 U" D" e1 `" Y' X
, g x6 u- o6 f+ F 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
| 