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：
- I/ x" a; ?, J. b- s* z
4 h* g) { y j$ C1 ~( n
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。
# k+ l+ v: Y( T c, x% u
7 F9 P1 _9 `# q5 g D& b) }" e9 |
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。
/ G- o! W" Y2 g7 d+ N z
( W( X! U( t; Q3 J
2、台湾，香港等地使用的是BIG5编码
" |' R& ?: ~" c8 t
2 G2 z: W& v; r& i% S; M# m# d
3、日本：SJIS编码
7 W- }$ \: R9 R- f& e
K- |2 s' q) I! l
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。
1 N- K% @2 j! F' {0 M& M
4 G U+ g; Q' a' W
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。
" ~. u6 `# E4 d1 t k7 ]6 J% V
& W0 w* q0 x, X
Unicode的学名是"Universal Multiple-Octet Coded Character Set"，简称为UCS。
. ^8 _0 F1 d' ~7 l( Q& g* `, J, z
" z+ k* U' k2 \9 R
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
$ f( O0 a- O0 ]0 s; G
% I" ^. Z% A& x4 z% a- y
20000-20FFF - 21000-21FFF - 22000-22FFF - 23000-23FFF - 24000-24FFF - 25000-25FFF - 26000-26FFF - 27000-27FFF - 28000-28FFF - 29000-29FFF - 2A000-2AFFF - 2F000-2FFFF
: L' `5 W! H o+ @% N' Z) n
* D& W [1 t/ q; Q/ q
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。
8 D7 {' t( ^, S( u5 j
3 Q3 L9 N4 j* c5 q9 H
什么是codepage?codepage就是各国的文字编码和Unicode之间的映射表。
: }! m+ W# E0 H# k* j8 q8 x1 J( X; x
9 I, N& z8 p; L+ X0 {' l
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 f& {9 h, J' Q- U; S- W
1 ^+ P7 G0 c2 Q4 D9 O9 Y
codepage=936 简体中文GBK
' [6 c) P4 p. B
" I9 l! G1 o* [- w/ W' n
codepage=950 繁体中文BIG5
`- r7 j' A$ m, B
6 k8 G) P7 x! T# Z' C. t/ n+ y3 l
codepage=437 美国/加拿大英语
/ Z; L5 F+ x9 R6 }9 d+ F4 l0 i2 i0 b
6 ~, K7 U5 X8 ?
codepage=932 日文
. k! [$ Q7 O9 C1 o
: q. K0 D- T# z4 P. B4 ^
codepage=949 韩文
! Q( u$ E1 |1 {8 O& l6 f8 u3 f7 S
0 c9 O/ u/ Q: l
codepage=866 俄文
# P1 v M. `8 _! L
' D9 m6 n" w1 k3 g+ N4 [
codepage=65001 unicode UFT-8
: u8 R& n+ e7 e- P8 s# a; [
, E9 F0 C s! R" K. v
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。
% P1 ~' B% D- w
% D& E9 i0 a3 S. `* n7 a! ?
从936中随意取一行，例如：
, g! @0 r. l) O" |& `
; n% }9 \" N& E" p, V
0x9993 0x6ABD #CJK UNIFIED IDEOGRAPH
+ J: P2 H; g e1 r( ?
, V i' E$ Z: s6 X- H! q1 P
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。
3 p* h0 U+ m N& q1 x8 H
% G4 ? u/ V3 L3 k+ g0 I
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 U4 m% L# N2 L) [( R1 s" V7 |
5 |/ F$ _5 x1 q \/ [( G
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?
8 i u* y' A, D- v! F! d
5 C# J" h/ Q' ~# a" j$ x+ |
例：
* Q. E8 n! v4 N
4 k) u! A$ ~5 B
E4 BD A0 11100100 10111101 10100000
9 ` C' o9 J5 I) X# ^2 g$ j0 A
" {, g& n" D; z4 N0 U
这是“你”字的UTF-8编码
0 w. m% P$ |. K/ c2 P
- ^7 ]* m& g5 y( f6 T8 C7 [" f
4F 60 01001111 01100000
3 [/ B+ }4 u5 x/ Z6 X# e
& G4 i9 q* I( g! D- ?# o( M
这是“你”的Unicode编码
1 I- n C/ e c5 `
" \" w4 |2 ^3 L; A3 X# `' E" T3 T
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。
6 v; V2 A7 i2 _6 U. Q& v
* ]4 r- x- j0 }8 k# S
以下是Unicode和UTF-8之间的转换关系表：
, D N9 R( t; g! y5 c' m" b! j6 A
5 m! r& Y4 E8 A# p
U-00000000 - U-0000007F: 0xxxxxxx
. \+ H$ X f3 b8 B5 X* {
/ X d' j; o1 q, V' T: W
U-00000080 - U-000007FF: 110xxxxx 10xxxxxx
) R% s) d* k! U# j3 h
& G; f; M) k9 T* x4 z7 i
U-00000800 - U-0000FFFF: 1110xxxx 10xxxxxx 10xxxxxx
) c, s6 P1 ~0 z! M6 V! \* p
- t# a3 B/ H! Y0 x4 i$ h; K
U-00010000 - U-001FFFFF: 11110xxx 10xxxxxx 10xxxxxx 10xxxxxx
2 }6 ]* P/ A# ^5 h1 _$ m) O
6 Y, B# c9 `9 b: W: e; E
U-00200000 - U-03FFFFFF: 111110xx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx
0 F# B+ |4 Z2 }9 x2 O: m5 q
: A8 ?6 O" j* p2 R( f5 d0 L/ m3 I
U-04000000 - U-7FFFFFFF: 1111110x 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx
4 u6 O9 c; `) f9 z1 S; T8 Q* ^
! A" ~5 W- ~8 d( C7 W& q3 s
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
