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：
$ n1 o) s1 D1 h
|5 ~$ q/ |' b3 u. G- I& w
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 L M" t3 |) [
, g& [- x4 u' D+ v4 x6 Q/ 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。
* p3 Y2 F/ `% A' E: K5 ^, {; f
" \& a1 l! B3 x
2、台湾，香港等地使用的是BIG5编码
' Q/ R4 {6 \% f7 E5 U$ W
) _; l: L: T* n0 v7 |
3、日本：SJIS编码
- Q3 Y# ~- U5 [$ e# Q3 i4 o: ~' }
! D& _/ f3 x6 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。
" Y% M p& Q. ]) J8 b0 R8 o P
' _7 B4 X8 J7 a
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。
% N; W5 @0 ]% n4 F" B( U" p) _
4 W! i/ J, c2 u* n9 E, Z5 |% x
Unicode的学名是"Universal Multiple-Octet Coded Character Set"，简称为UCS。
9 c+ R q( [" b- \# `. h/ }
8 u* W( t9 k# [' T# t8 Q$ }4 U
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
/ K* b5 j1 V1 t
6 Q# K+ E; K3 `1 f) z0 @# M
20000-20FFF - 21000-21FFF - 22000-22FFF - 23000-23FFF - 24000-24FFF - 25000-25FFF - 26000-26FFF - 27000-27FFF - 28000-28FFF - 29000-29FFF - 2A000-2AFFF - 2F000-2FFFF
. h; Q5 N6 a- I" O& u8 `
0 d/ P1 w. d$ |( |3 j
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。
- ?4 w6 E/ p* e; O
+ c) U( E1 Z+ }$ b' b% A
什么是codepage?codepage就是各国的文字编码和Unicode之间的映射表。
7 ~) v8 V0 t1 }# V8 V
3 B. y% X% l* j) O; W7 j, `2 n
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。
6 r, \9 t) y( t+ z! H; k
3 l; M& N6 C# n
codepage=936 简体中文GBK
A e5 i) m$ W. m% q5 j! i8 k
% R( }( D$ R* X) X, c
codepage=950 繁体中文BIG5
' e ~) O# f5 p# U( y
* d4 P* F; g% j
codepage=437 美国/加拿大英语
) q. J% X# Z+ m* s( C' v; a
3 h' F3 f/ B8 D5 S! T
codepage=932 日文
. ~8 m% G0 ~' q+ |% i. @; j Z7 l
5 y2 P) V: o; W; ^# v2 I
codepage=949 韩文
3 o) K9 _, t/ p1 u. G
$ H0 L% a6 g' L2 W/ S
codepage=866 俄文
$ ~. i# }! `* B
# m: @6 i1 e8 ^/ f
codepage=65001 unicode UFT-8
, q' o4 B; z- n% H' g- m7 e5 x6 n
1 F, a1 n4 o' D G% p$ e
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。
7 ?4 i3 z' N+ L! b8 S
& }0 r, f0 ^4 v$ y5 l5 y5 [
从936中随意取一行，例如：
( l. t5 X; E9 M9 v( f h6 j4 O1 ?
! Z. P6 k& d/ `7 k4 D' L2 Z
0x9993 0x6ABD #CJK UNIFIED IDEOGRAPH
$ F# i4 s" E: r D6 Z! T
2 e, z/ w2 |* [! w/ z
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。
% a, z5 S1 A1 R
6 K4 c3 V: s2 q. ?$ c: _2 {! _0 n/ M
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?
3 r) Q- w8 a- M4 h5 Y
S E) O3 U+ P% p: J
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?
% b& ^3 d7 S- G3 [( O
$ v0 s4 M7 A) m9 {; [9 m2 [) P
例：
0 {) A6 V- g4 [8 ]1 B
1 t: E5 Q, l; `" i" V# ^4 g
E4 BD A0 11100100 10111101 10100000
/ O# x9 N7 F; j# [, N
9 |% A9 ~" l) s- A; O
这是“你”字的UTF-8编码
; p* m9 @8 |$ i) ]
0 G) H6 T4 l" [2 K; Q
4F 60 01001111 01100000
+ _0 D q! U: \5 C
" I# C$ R, G0 [
这是“你”的Unicode编码
, Q3 R3 \* K3 I8 {* m0 O5 |
d t" {$ Y' Z7 D7 q; M0 @
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。
7 W" {) k0 h. C& `4 }. @$ Y
2 Y$ @$ i/ q" t3 ], d
以下是Unicode和UTF-8之间的转换关系表：
! p4 o" i$ R7 {: X3 {
+ d/ f: e8 _& h) p7 o# s( ^3 c, p- Q
U-00000000 - U-0000007F: 0xxxxxxx
! x( r" u1 k; S! ]9 E+ m
/ `+ j! \/ W/ u' L) s
U-00000080 - U-000007FF: 110xxxxx 10xxxxxx
, s$ S% ~' s) u- U4 Q. I g6 e1 ?4 R
. I0 U' q0 z) U8 L6 j( r
U-00000800 - U-0000FFFF: 1110xxxx 10xxxxxx 10xxxxxx
2 n5 R8 c& W4 c: o) F; V1 v8 P
( z7 W* [: k, e$ y+ T
U-00010000 - U-001FFFFF: 11110xxx 10xxxxxx 10xxxxxx 10xxxxxx
' m% r" |3 t+ w) u1 j3 b, s) m
* y9 D V2 L5 q' C
U-00200000 - U-03FFFFFF: 111110xx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx
]0 T$ X; T4 ` H6 R- ]
1 ~+ K* e' k/ d
U-04000000 - U-7FFFFFFF: 1111110x 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx
; O/ s1 ?5 j) R
6 v7 }* `# h7 w8 V! `* g+ A- B: I
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/)
Powered by Discuz! 7.2
