|
 
- UID
- 1
- 帖子
- 738
- 精华
- 28
- 积分
- 14321
- 金币
- 2446
- 威望
- 1647
- 贡献
- 1394
|
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：
1 x! a2 H9 k& X+ y
_5 ?/ Z, h/ @; G. _! I$ R9 v" q, [$ F 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。
' p9 N( R t W2 i' }1 `- U( e4 K; X
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。
" C! z/ q# V5 I) W: Y( h& c, B1 u/ u( W2 z; H
2、台湾，香港等地使用的是BIG5编码2 S9 `7 V& T# a) x" @
5 ?2 c$ K7 O# g- U
3、日本：SJIS编码) N* i0 M2 y- S; Y8 R5 y, H9 `7 {
/ c; b% z8 a' h9 ^8 M5 s
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。6 e1 T. Q) D* G4 w# _1 O: ^0 F
T1 x7 L: V2 G6 h
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。! J7 p; w5 K) S
' k, S( o4 i0 d( e4 h6 \% d) N
Unicode的学名是"Universal Multiple-Octet Coded Character Set"，简称为UCS。
/ g% x, ]; x0 B' z1 i
+ H0 l8 j1 T) V G0 j5 Z 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. N* v/ K" |% [% t
/ a7 O! `3 V1 n; 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; Q) V' i( S5 f+ A9 O
: H7 {5 T% T# S& o% U! i5 i 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。
% v6 [% O4 v2 `8 ^4 u6 ?- t0 b& v5 q! j7 q' \% r V* A* }( {
什么是codepage?codepage就是各国的文字编码和Unicode之间的映射表。
! ~6 `, i3 X) K. f7 J9 K9 j
$ c4 \0 f' i' q. a& p+ H 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。
/ d2 m* }: a/ q) d! w4 }: j
6 p" p3 v7 Q: t' |# c, X: V) v% [ codepage=936 简体中文GBK
+ r+ g8 H4 ~( F& r* n( F$ E2 Y# Q7 J- {2 E: G5 ]6 B
codepage=950 繁体中文BIG5
" _8 c) d P+ t4 `! A; K" ~' x- u% F/ z" E i4 _5 v- K9 d
codepage=437 美国/加拿大英语
% @# N6 I1 q/ C& |$ j1 F6 ?2 u& |* D+ }- I+ ^
codepage=932 日文/ d5 w; W2 y& W% x/ d
) Z8 x" E5 ] B: K L# u. k2 Q! H3 ?
codepage=949 韩文7 `0 Z+ m/ u9 ?: H5 [, R
6 k" L U& |' F" w+ T" {
codepage=866 俄文5 h- n. }6 G9 Y
3 n/ b! s! w0 `0 |3 ^
codepage=65001 unicode UFT-8
' S3 y3 K' ^" `) @; u0 v
( o6 R1 d8 A f( p/ P v) d, a& c 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。" Q1 D0 y+ V$ u* ]
- D2 i/ \9 V8 J: K3 X% N 从936中随意取一行，例如：
+ [/ ^7 W2 H& f. Q' v
3 Q( t3 n8 v3 V5 K `& w 0x9993 0x6ABD #CJK UNIFIED IDEOGRAPH4 W9 _6 p- F0 e; |3 Q
& {% J3 v7 K, 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。8 ]: x8 s o/ K
3 [* e' _/ J: p( D0 _ 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?
2 W# J5 Z, \+ w/ K, u2 L2 n2 ^) h a( t- Q# h3 W
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?
" P9 u/ J) ?3 |7 A% k0 Q5 L, G7 h
0 Y4 b" `& x' @& ^ 例：, c7 j8 r1 E; |3 A
; C% L5 _0 y# Q# h E4 BD A0 11100100 10111101 10100000
4 g% l* Q: v8 M& S$ p& F9 u& G# c3 a C1 H3 W
这是“你”字的UTF-8编码/ a$ S- g5 J' o ~" [
, h+ k4 X1 `+ ` P" O. G
4F 60 01001111 011000001 j4 h2 H2 u! z& j9 x6 o5 L+ a
) J' H& u9 o( L6 u1 R0 i
这是“你”的Unicode编码8 P0 Y. d! p6 W( b3 n
4 z' r2 ~+ x, ^ 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。
/ m4 L# h5 p" ^/ q0 o4 J, d4 l. | o, S. Q6 B6 H. ]9 W
以下是Unicode和UTF-8之间的转换关系表：/ Y! [1 }' E/ `& w
9 m5 X; z/ T$ G! ~/ k4 M( v
U-00000000 - U-0000007F: 0xxxxxxx) S+ H0 {1 a( u/ q5 ~
, A+ I1 y5 e4 @$ ~3 E$ T
U-00000080 - U-000007FF: 110xxxxx 10xxxxxx/ ]$ d/ {$ d+ N) w5 n5 ]$ ~: H
7 z5 Q6 B" x+ }" P4 N
U-00000800 - U-0000FFFF: 1110xxxx 10xxxxxx 10xxxxxx
7 ]# f! k3 z/ U( X% f3 A ]# y! U0 q
U-00010000 - U-001FFFFF: 11110xxx 10xxxxxx 10xxxxxx 10xxxxxx! t- N. [7 d6 L* r
7 v: K, S- ~( h `: R$ E
U-00200000 - U-03FFFFFF: 111110xx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx
t" Y3 e; u+ g
) _0 s* W3 R9 a9 i4 D/ T U-04000000 - U-7FFFFFFF: 1111110x 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx) b) g2 |3 c" O: b% y9 w' ^8 X6 ]
$ {8 w0 f. e# O
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
| 