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：
* P) O& W4 b- T) m; q' l! h% G, E0 P
　　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。/ z! G% d  G1 F( W- W& [
, w  Q1 R* R, [8 W9 L+ e7 z, |
　　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。5 q; n, g# |1 v" H
$ T4 {1 @/ x# d! S: n6 D
　　2、台湾，香港等地使用的是BIG5编码
) J  a9 r# H3 R
　　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。3 i) [8 d8 r" M* J# z( ^: C& e$ m
7 I, i  v- U% K' V0 w2 D
　　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。
# }+ L/ U/ t* Q
　　Unicode的学名是"Universal Multiple-Octet Coded Character Set"，简称为UCS。

　　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% b3 S& M6 F6 `* n+ T& a

　　20000-20FFF - 21000-21FFF - 22000-22FFF - 23000-23FFF - 24000-24FFF - 25000-25FFF - 　　26000-26FFF - 27000-27FFF - 28000-28FFF - 29000-29FFF - 2A000-2AFFF - 2F000-2FFFF
# n3 q- K7 `. r, V1 N3 s# c/ B
　　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 R' X( k* v* M

　　什么是codepage?codepage就是各国的文字编码和Unicode之间的映射表。5 `3 a" r2 y' B! B0 J
/ ?! @, a$ [/ |& k. d* M; 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。
0 \$ J" r; F% ]' M& L
　　codepage=936 简体中文GBK/ T# N, S. a8 M- v1 }# S7 C

　　codepage=950 繁体中文BIG5
2 Y1 O1 a1 [  D
　　codepage=437 美国/加拿大英语$ O0 q4 m1 @  N$ y! ]
+ b- R$ L& h2 ~3 V1 b
　　codepage=932 日文
& T! e1 x7 G6 u6 v; d! F& D
　　codepage=949 韩文. \. H8 ]5 M9 L0 c  L& M+ z

　　codepage=866 俄文
) Y( K4 U- T7 z; _. i
　　codepage=65001 unicode UFT-8

　　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。
, v" k, f8 h" A9 \; N9 C
　　从936中随意取一行，例如：
  V8 H) v- Z- B* `* ?. f
　　0x9993 0x6ABD #CJK UNIFIED IDEOGRAPH( s9 }! l" p. n5 h" Y! b/ S
9 c% f* Y' l7 e1 T; M0 p9 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。9 d% P; c. f7 m6 z8 _2 Y

　　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?: i! q; Q. \5 k. X7 N
- E, ^* A9 ~6 ^0 Y: 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?

　　例：

　　E4 BD A0　　　　　　　　11100100 10111101 101000002 e0 _0 Y7 A$ _4 J. x2 I

　　这是“你”字的UTF-8编码4 u$ o1 h9 Q% q% a

　　4F 60　　　　　　　　　　01001111 01100000+ N; V% G$ `7 U; N# h; p# A

　　这是“你”的Unicode编码4 p& V2 y8 I+ ^' S/ j
5 B& X! q+ o& z
　　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。' E! h, a( {9 [7 W; M: T

　　以下是Unicode和UTF-8之间的转换关系表：) {% C4 t9 s2 _; ?4 y

　　U-00000000 - U-0000007F: 0xxxxxxx7 L# e  C3 v8 Y: I
, z- H4 z2 w! g# h8 K
　　U-00000080 - U-000007FF: 110xxxxx 10xxxxxx: H; h; w8 a8 H  Z# ]
' N2 H' a/ z* o$ X9 Y$ m
　　U-00000800 - U-0000FFFF: 1110xxxx 10xxxxxx 10xxxxxx
) _9 K- @- I8 c) r5 R: P2 `6 R& B
　　U-00010000 - U-001FFFFF: 11110xxx 10xxxxxx 10xxxxxx 10xxxxxx/ R5 x' W0 d( v) R9 D" l
+ J1 ]% z2 ^6 F$ g2 [
　　U-00200000 - U-03FFFFFF: 111110xx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx# A& R0 K6 d/ x
+ S* r) g& `5 t/ `. U$ R2 O: Q
　　U-04000000 - U-7FFFFFFF: 1111110x 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx

　　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/)