|
 
- UID
- 1
- 帖子
- 738
- 精华
- 28
- 积分
- 14321
- 金币
- 2446
- 威望
- 1647
- 贡献
- 1394
|
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：6 ?; d, ~2 X- m, g; Z v; |/ ^, h
! `; M- Q2 O5 H) ^ 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。) G7 b: r/ \3 L" k% A' T
& O% Y: P' f$ O* s 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 `; T e+ |. P; `9 q9 T
' y- B* ]+ Y( b3 X; o5 j 2、台湾，香港等地使用的是BIG5编码
% f! x" S. B3 V0 S# I8 ~
. G6 N- E0 a* c, ~% g 3、日本：SJIS编码! x: _) j' g. L; F8 [9 J
1 d7 G5 i C$ c- C# X7 F; K 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。4 L4 a# D8 r+ }7 |! |' G4 h x% l
6 C, G8 Z2 ?1 p/ [5 t% {* f4 o 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。. h& ^- @2 G) V: F: ]+ W
$ F/ e" b; z% a$ A) D; u Unicode的学名是"Universal Multiple-Octet Coded Character Set"，简称为UCS。
: O* l* e0 V3 u; M* {; R8 ]2 k% \. V& {$ C0 V3 L
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
* s3 C. |' P! a* y* Q) W# u+ x: O0 ]7 f& ^/ Z/ o/ H
20000-20FFF - 21000-21FFF - 22000-22FFF - 23000-23FFF - 24000-24FFF - 25000-25FFF - 26000-26FFF - 27000-27FFF - 28000-28FFF - 29000-29FFF - 2A000-2AFFF - 2F000-2FFFF
# q R2 W! t) O
! @/ |; z) z( y+ i0 h 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。6 a: R4 H1 \+ n! T" @) A
( ~5 v. P' i& C+ i2 B" e+ w
什么是codepage?codepage就是各国的文字编码和Unicode之间的映射表。
$ {% U5 O+ Q) J5 r
$ U2 z( _0 T+ x8 Z- c. y 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。; t1 E1 p' H I
. C- m, U) ^- ~) ]; [+ j. c+ v3 c* B
codepage=936 简体中文GBK4 Z! @2 A( Q! q& v" _1 H5 x5 s ^
* \+ u; F" f# o' _: w" s
codepage=950 繁体中文BIG5
6 M& Z [9 c s# ?8 y+ _
8 R4 e n( U' p% e4 d; G codepage=437 美国/加拿大英语
6 S& z) z6 p3 h3 A V7 o
; n, g5 K4 m0 \% ?- i/ N! z codepage=932 日文
7 k7 H! {8 ~2 a1 |& k% r; x9 u+ t) S* |
codepage=949 韩文5 i/ k/ p7 Y8 I6 H6 [
/ B5 N; [- @6 ?, x codepage=866 俄文- ^/ r' m% U/ M# S) S
+ P, |0 B& o3 a" c+ U# [$ R7 ~
codepage=65001 unicode UFT-8
8 m# X4 W j2 v; M4 p6 P+ h6 g. M- c# o# p
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。8 Z% G5 m6 Z) K! V7 L2 S+ K. c
. y8 S# x0 S2 `6 `; S
从936中随意取一行，例如：& } h, U8 a1 q! k1 S8 b
" x+ F; {' q7 K# |% Y$ D) ~
0x9993 0x6ABD #CJK UNIFIED IDEOGRAPH
( O" A" M( B' Q$ B U
2 e0 X' G* L( g( N8 B' 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。/ C" W% Z$ M3 U; Q5 U5 l5 i
^% }& C% F5 h
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?+ b! M' _/ ^; D' S' g
" G5 t7 l& y5 @: M8 l/ h 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?! A- @! c. W* u) m: R g: c3 V& J
0 {8 ^& b' R. v9 f/ ? 例：2 B8 E- s3 x5 ]& r% f9 C7 l9 S; ^
0 O! W: w4 Z: e; m
E4 BD A0 11100100 10111101 101000008 f" Z) s: Z/ V8 U3 k' U: l
! }8 P3 p8 ]( x0 O# N$ s 这是“你”字的UTF-8编码
3 P1 }- c: N. W3 J7 _6 O/ F' w5 D. {& F$ s
4F 60 01001111 01100000. t/ }5 r. F: q D0 w
; A6 ~( F7 a& N5 A8 _7 E 这是“你”的Unicode编码
% U& `* {4 o+ G! Z, k+ `' @8 M1 G4 C% H% S
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。$ \) t1 S8 E9 ]; K
1 I- t$ D9 n- e ?8 r
以下是Unicode和UTF-8之间的转换关系表：* E+ X, w" }; U6 ~
% {. G1 Z" O, t# M$ |0 c) c6 g, O6 t U-00000000 - U-0000007F: 0xxxxxxx
1 c$ }* t! d- d/ F6 g3 }! d% K* S) U; j3 ]
U-00000080 - U-000007FF: 110xxxxx 10xxxxxx3 ]+ r' S+ l( X# h% M/ B4 S
" [- c a: F- B2 L* [
U-00000800 - U-0000FFFF: 1110xxxx 10xxxxxx 10xxxxxx) g3 M. k/ B$ }7 H. @" p' }2 N
$ u- Z# e9 d0 u" Z2 d
U-00010000 - U-001FFFFF: 11110xxx 10xxxxxx 10xxxxxx 10xxxxxx! t; g/ F# x& h8 C8 n8 }5 C! |$ F
" m& [: A0 Z- S. k5 H* ^; d* V U-00200000 - U-03FFFFFF: 111110xx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx& {, P7 e' O& \5 }. z) X
1 k0 X! Q/ m1 U$ _! \% w+ P
U-04000000 - U-7FFFFFFF: 1111110x 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx
, x/ \+ R. t" I! Y+ _
: U. q1 q# Y' x$ V+ Q! D% 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
| 