捌玖网络工作室 - Powered by Discuz! Board

标题: HTML语言:什么是Unicode 什么是UTF-8 [打印本页]

作者: admin 时间: 2008-1-19 23:35 标题: 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：
' H# J4 Z; d3 S. S- 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。( ]. v- x" c. \0 G& B- j3 u
: n/ q, O, q; n# o
　　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。
" W4 M  F7 r. J5 n$ Q) ]
　　2、台湾，香港等地使用的是BIG5编码0 |+ e# L5 g8 x
! S) \/ H5 y. j) i3 p* b; G- S+ M
　　3、日本：SJIS编码

　　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。
. l2 Z3 q9 z- O7 I# U  j% T' e  l
　　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。5 N: y# Z* E, `+ A) c9 K
$ J/ C$ x& _6 h
　　Unicode的学名是"Universal Multiple-Octet Coded Character Set"，简称为UCS。" F" K  r4 ~7 M' J
/ t2 R- q4 J) Y! d7 z+ i
　　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, L) l, ?9 c2 c1 `# K$ B. [

　　20000-20FFF - 21000-21FFF - 22000-22FFF - 23000-23FFF - 24000-24FFF - 25000-25FFF - 　　26000-26FFF - 27000-27FFF - 28000-28FFF - 29000-29FFF - 2A000-2AFFF - 2F000-2FFFF/ C8 s5 I5 W1 q, J# G! S) Z0 F
9 B" B/ ^* N/ \# ^) a
　　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。! y! y- @" K0 G( ]; l. V
" t. j1 |2 J& o9 E( M
　　什么是codepage?codepage就是各国的文字编码和Unicode之间的映射表。

　　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 X; n; Z) `0 y" f& V
3 a7 V3 B: Y7 V. z( ]% b3 Z
　　codepage=936 简体中文GBK* g# W! U9 {/ s9 G3 M5 y' E

　　codepage=950 繁体中文BIG5

　　codepage=437 美国/加拿大英语
" W# Z% C6 a3 t4 S
　　codepage=932 日文8 R8 ]* M  ]* y2 L* |

　　codepage=949 韩文

　　codepage=866 俄文7 ]% M3 Y9 w; \/ ]
6 q5 ]( h, @7 x& U6 `- i3 ^& Y: N
　　codepage=65001 unicode UFT-8
* v- w" W) K9 A2 |: v4 ?
　　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。5 T9 e! F( p3 ~  K; c2 b. U( z
( ]' R' {( c! m4 s: x& O( V3 r
　　从936中随意取一行，例如：/ E! ?/ H, R0 W, s4 \

　　0x9993 0x6ABD #CJK UNIFIED IDEOGRAPH
9 H- S5 ]6 L$ l# A' A' 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。

　　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?
- d3 Z! P7 a+ d- w4 @& w
　　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?
' N) M! k& \& x( J8 w# w+ `( N
　　例：

　　E4 BD A0　　　　　　　　11100100 10111101 10100000
2 P: G. Z# L% ~8 d( ^& [( V
　　这是“你”字的UTF-8编码
" S# n: d& O$ ?; E0 t- W
　　4F 60　　　　　　　　　　01001111 01100000
* `1 b4 I$ m. ?1 q# t9 `4 Q2 l
　　这是“你”的Unicode编码4 x3 y$ D1 P; q4 n/ a& V9 M4 \4 ]
! F* d7 |- y0 R* a
　　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。

　　以下是Unicode和UTF-8之间的转换关系表：) i% ?' ^& y4 J/ S2 Z
9 z8 `  L: E" t, J" D  ~
　　U-00000000 - U-0000007F: 0xxxxxxx# X6 j/ q! H) Q+ S

　　U-00000080 - U-000007FF: 110xxxxx 10xxxxxx6 W) W( n; T% L3 y& x) G8 i
8 O2 G: Q4 P) o& C" W/ P3 L
　　U-00000800 - U-0000FFFF: 1110xxxx 10xxxxxx 10xxxxxx
3 T1 g9 q+ g( W; \  ~, z2 \
　　U-00010000 - U-001FFFFF: 11110xxx 10xxxxxx 10xxxxxx 10xxxxxx

　　U-00200000 - U-03FFFFFF: 111110xx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx: A4 v' Q8 O0 Y
& M9 Q$ c# W% f8 L* g8 }
　　U-04000000 - U-7FFFFFFF: 1111110x 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx
+ D" U4 F4 K8 ~
　　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。

欢迎光临捌玖网络工作室 (http://www.89w.org/)