|
 
- UID
- 1
- 帖子
- 738
- 精华
- 28
- 积分
- 14221
- 金币
- 2401
- 威望
- 1647
- 贡献
- 1349
|
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：8 J6 T4 {! M7 M
" v- A" u2 |' n: Z 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。
4 f7 H7 O& Y: l, ?' h0 g$ q `/ r6 j9 B, d9 w/ ?* l( i$ T
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。0 D2 X7 @# _6 o. Z$ q, f. s( |
; j# P ]$ h1 S5 a; A% w5 K8 s# d
2、台湾，香港等地使用的是BIG5编码
1 K( S! `4 R5 Z0 L' [4 l: `" S3 m+ E _- O
3、日本：SJIS编码2 }+ y4 B) ~5 a, y* a
! s- ^3 u! ^/ H0 c' r% Q7 q0 J 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。' l, j/ I; Z3 r& X- X9 H
3 Y4 T8 E9 {& w4 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。+ x0 H! S. p7 ]
: b- [0 h+ E$ V/ ?; U1 ?& Z Unicode的学名是"Universal Multiple-Octet Coded Character Set"，简称为UCS。1 }# \# j# {% T3 v g: a, e
* S1 l- A* y' Q) C2 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& y, n! ]8 v. ~8 o9 b% u4 J- L
" j* o1 K' A5 L3 R$ ^" k5 H6 b/ c
20000-20FFF - 21000-21FFF - 22000-22FFF - 23000-23FFF - 24000-24FFF - 25000-25FFF - 26000-26FFF - 27000-27FFF - 28000-28FFF - 29000-29FFF - 2A000-2AFFF - 2F000-2FFFF
5 ^8 Y9 I2 q/ E4 O+ R# I6 A/ q
( @) G) d3 Y5 [* a9 U5 h 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。
Z! V2 t7 D6 I1 n, Z3 |0 k& P5 V+ t0 Y& H2 X/ Z4 w) H7 y& y
什么是codepage?codepage就是各国的文字编码和Unicode之间的映射表。
) M# w, c9 Z. x0 `) d, I
- o0 a% a' N$ k 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。
1 g1 L* f% g5 ~) j9 [
8 k: L+ m* i# E9 M codepage=936 简体中文GBK
( y, h; R# {2 c( {, |
6 O) [2 Y2 }) M& y: I codepage=950 繁体中文BIG59 O$ n7 @) I% o& {8 E" }+ d' |
$ L. B# j9 d8 X
codepage=437 美国/加拿大英语
4 E" a! G% x: ^8 t- `" j7 F
8 K( R( N7 {, M8 S7 K: P codepage=932 日文
5 Z/ b! r( G( n* e7 p: W7 X: x* X$ I1 x
codepage=949 韩文
9 |% ~+ J" D: D' _& ~1 G1 J8 g
codepage=866 俄文
9 c7 b% [% T* l; v4 `8 E. W( R; k2 @
codepage=65001 unicode UFT-82 |* h6 r5 Y* p$ {
. ~. a0 O/ _: D3 x- G5 a 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$ \% ]6 \1 ?" J% |& ^+ Y e( z3 o* F. N# P0 B
从936中随意取一行，例如：
+ I3 j1 B) k" j# C
r; N% S" \' c. F0 u. |% [4 ` 0x9993 0x6ABD #CJK UNIFIED IDEOGRAPH
1 }7 n, ]9 D8 K2 W- v5 w/ d. G% v0 T. W$ `/ A' l
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。
) G. l) B. m5 U' j$ w
1 B2 f7 R6 P1 z 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?+ j( v! P" J3 \0 `9 f2 w
0 T+ b+ W" Z% A
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?+ d+ T9 V5 P6 {: p" x
$ C# T0 e3 n F+ b 例：
3 K$ d* Q2 F- `4 z
% p5 H" E8 m5 Q3 b$ s E4 BD A0 11100100 10111101 101000004 {# W6 u j* N* A/ n
( ?9 l0 ?' l8 U/ `9 K$ X
这是“你”字的UTF-8编码4 H+ F# }4 K4 v% [5 G& `2 g, N
9 J8 }6 K5 q2 N& P3 Q 4F 60 01001111 01100000) |% B$ ]$ I5 ~; f( h7 C; T5 S
2 _9 D3 ^% ]0 S) [ 这是“你”的Unicode编码
' b$ ]( L. F g! h" v7 L
7 [7 r& q) g4 E4 f9 h1 J1 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。
6 D& q; x$ F! k0 g2 i0 w2 @1 \- T/ E; i# a- m! @) l5 T+ b( @
以下是Unicode和UTF-8之间的转换关系表：
4 X$ E+ x/ y0 J- i9 \4 p4 L/ Z- G( U3 J- B
U-00000000 - U-0000007F: 0xxxxxxx
7 C) o3 N, p0 X8 `) i; D- o& w1 C' F4 f: V0 G
U-00000080 - U-000007FF: 110xxxxx 10xxxxxx
8 O$ k0 Q1 s5 K2 T5 @
6 t9 K5 ^* n/ I* d* Z( ]- S U-00000800 - U-0000FFFF: 1110xxxx 10xxxxxx 10xxxxxx
: |& R- d1 {; j
/ x" L& M. G. g2 g U-00010000 - U-001FFFFF: 11110xxx 10xxxxxx 10xxxxxx 10xxxxxx% D8 N, k* b( s$ c+ O$ b. f6 X
6 B5 } R& A6 E( C4 Z U-00200000 - U-03FFFFFF: 111110xx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx
1 ^7 ~2 U- X. M% w" k: F0 `
8 V3 a- f. g8 W, L# S# M U-04000000 - U-7FFFFFFF: 1111110x 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx7 e# c2 }4 s7 P0 ]
4 f2 h5 l3 j2 ^/ F1 k, L3 g
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。 |
|
发表于 2008-1-19 23:35
| 