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：
$ m$ m- R! W% t+ ~! E
　　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。

　　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。& T! G* |0 Z' J6 {8 i+ m
6 q+ _& s0 N! S2 J6 _1 M* J' c
　　2、台湾，香港等地使用的是BIG5编码

　　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。, c; C) P" m+ |5 Q5 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。* t9 S7 y5 `6 c* ]4 ]* J

　　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

　　20000-20FFF - 21000-21FFF - 22000-22FFF - 23000-23FFF - 24000-24FFF - 25000-25FFF - 　　26000-26FFF - 27000-27FFF - 28000-28FFF - 29000-29FFF - 2A000-2AFFF - 2F000-2FFFF4 ?  F- b0 y- U4 F3 b7 w, m+ `; F
+ w6 D5 ^& H! A- J1 n0 _
　　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。; K( `& b1 n4 I, k1 |
; g) {( ^9 f" |1 q1 h  b
　　什么是codepage?codepage就是各国的文字编码和Unicode之间的映射表。2 @* [( H$ D& l) z& 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。- C1 ?) y0 K! h; O! y! q5 W
. d% Z/ a) |. @; n) ?+ F' E
　　codepage=936 简体中文GBK+ p1 Q4 X8 r8 q; b. S' T; l' r
; I) b% d5 @5 v" ~! o& c& m" i
　　codepage=950 繁体中文BIG54 f$ B& Q3 O8 l7 [. K# c3 s

　　codepage=437 美国/加拿大英语( `/ s5 b* V  G+ T. y0 ]
* j9 `5 m$ R5 E) C& Q
　　codepage=932 日文  ?! b; R2 a, e+ ~# c4 ]" E
5 m) e$ }6 ?+ l0 k* `9 C
　　codepage=949 韩文  D: P# G9 a% y% U. f4 U* `1 P) M
, T- [; j# K  ?3 Y- M8 @4 j
　　codepage=866 俄文

　　codepage=65001 unicode UFT-8- T: b5 X' n, g: Y
3 e; A- b/ m+ v; F" Z7 i7 ^
　　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。

　　从936中随意取一行，例如：

　　0x9993 0x6ABD #CJK UNIFIED IDEOGRAPH2 F0 G  H0 b; m5 C$ _8 T  ?
5 A. _7 b+ C2 G9 c5 v8 s5 ]$ ~
　　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。% A2 X+ g  I7 G  l6 c

　　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?7 @  F, Y  z8 p2 Y5 p
8 C; E# ^. ?+ o3 d
　　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?3 o+ E% h* Y- B! r. {
, p" @! @1 E! ~" `/ j! ~/ U
　　例：

　　E4 BD A0　　　　　　　　11100100 10111101 10100000( N5 v: q4 t3 n1 K4 g4 V4 e; c  u
/ a+ o& ^0 d; P7 g) x" q
　　这是“你”字的UTF-8编码. t/ `# \1 }2 ~/ @& D8 F0 a
' s7 `9 z, G& ^5 s& ]
　　4F 60　　　　　　　　　　01001111 011000009 M' M" ?9 a+ f6 M% Q/ f3 i
6 O9 ^0 w' Y9 m+ r- j' k8 f
　　这是“你”的Unicode编码

　　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：- Z% C) m# N! l% ?! Z

　　U-00000000 - U-0000007F: 0xxxxxxx
6 K* s) J) D7 Y8 r
　　U-00000080 - U-000007FF: 110xxxxx 10xxxxxx

　　U-00000800 - U-0000FFFF: 1110xxxx 10xxxxxx 10xxxxxx

　　U-00010000 - U-001FFFFF: 11110xxx 10xxxxxx 10xxxxxx 10xxxxxx
: T5 |% T9 t' Z' {
　　U-00200000 - U-03FFFFFF: 111110xx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx
2 a5 J# g) u- Z* z0 ]/ K( Q) b
　　U-04000000 - U-7FFFFFFF: 1111110x 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx
# a0 [0 F9 g7 z: E5 j: C
　　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/)