|
 
- UID
- 1
- 帖子
- 738
- 精华
- 28
- 积分
- 14249
- 金币
- 2415
- 威望
- 1647
- 贡献
- 1363
|
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：
+ Q9 q8 p4 ^- T! ^+ ?/ P5 o- L, i2 o# l1 y5 C: L+ t
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。% B( \0 a6 Z, ]' I3 S
1 \- }; y, i) 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。" z, S1 i2 A" B0 W
$ g2 M9 T/ `# [4 f: \( C# m8 ^
2、台湾，香港等地使用的是BIG5编码
, e6 r. } R- G) C6 s9 M- X6 V$ d. X
3、日本：SJIS编码7 `. O2 r# p+ H
3 A5 Q4 ~' [4 n* i0 B4 [4 O 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。8 j* a; B5 l# c- }. U" s
6 X W6 z0 M: I' n& l: k: L
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。* B N8 k7 H3 j" y: z
7 N( w+ H m' Z% s Unicode的学名是"Universal Multiple-Octet Coded Character Set"，简称为UCS。8 i8 q R! M$ m; h- j+ E, f
# d, C1 H; N# R+ S- h' d, i 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
0 z7 H6 Q- F" v6 y3 g
7 [- ?3 r. M# [- Z 20000-20FFF - 21000-21FFF - 22000-22FFF - 23000-23FFF - 24000-24FFF - 25000-25FFF - 26000-26FFF - 27000-27FFF - 28000-28FFF - 29000-29FFF - 2A000-2AFFF - 2F000-2FFFF$ |1 ^. t3 P& n) q1 i! b3 L$ u! `2 M
% B7 d) I" v- z( Z7 [4 `2 y# ]/ |1 ^! S 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。
7 q" K/ g, B; E* E6 |6 m" \% w
/ b7 x2 p! n' `) V* ?. o& P* j 什么是codepage?codepage就是各国的文字编码和Unicode之间的映射表。5 x9 h+ _1 @5 U- a
: |( q" ?) g( D- ~- I+ a+ d3 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。
% g7 C* z/ C0 t0 @/ V1 \3 u0 e- _+ _* V3 i+ y
codepage=936 简体中文GBK
! y/ z5 l) ?) c% p! T( C
6 p/ @, ~" }) O; d/ x codepage=950 繁体中文BIG5
2 m; g; O" ]) m( c z( T: {/ M; K$ l1 e! }& S
codepage=437 美国/加拿大英语
& e- D3 l& x# [( f. ?0 {: o5 k/ {' N% J ~0 R) F/ p4 [- F
codepage=932 日文
, X0 D% P5 ~* I5 T* C4 I7 r
' s* D0 W* b5 E6 T5 F5 R. ^ codepage=949 韩文( B1 C" `5 Y# I9 N( z' N- s
% A$ p3 F4 q5 { f
codepage=866 俄文
+ l0 G ~ x2 c; [% n7 ]: ?5 b. g! d, z
codepage=65001 unicode UFT-8/ l. P# X" q: ?! P0 m- B
8 ]' Y/ p: Q- n/ k: \/ \5 @6 m 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。
: g( l8 S1 \! l: P$ B& d8 V: A! m( b% p: C5 Q+ Y% I5 ~/ u/ |
从936中随意取一行，例如：
- r- q+ O; l! k1 W# z& M7 b: p/ E: {, Y' t5 g
0x9993 0x6ABD #CJK UNIFIED IDEOGRAPH
8 H1 A4 N s7 d# A
* ^3 \# D1 |0 `7 w: e2 [ 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。
; ]5 R# \: T* R; Z. o! j$ C% y5 I' v: t0 ]0 l, I E. V7 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?) x' P- ^/ g. {( F! F1 D1 s+ j1 j
# b- K0 B) z+ X3 \ ^$ x* N 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?; _1 n5 H9 Y5 [5 M7 u/ G5 q. d
6 v5 ]5 U- P7 S! Z# ` 例：3 Z' V" ^( R. e, W! @$ U# o- ^
1 I0 X4 z# \* |6 h
E4 BD A0 11100100 10111101 10100000
+ v1 E* y5 ]( }
. C' O& B; r# T 这是“你”字的UTF-8编码& R, K" Y3 A. K9 A$ {8 z. p3 u; F4 A
( h( q' e5 K0 j- u) C: J 4F 60 01001111 01100000
0 L' k, R# A0 w0 E6 ^: L. F. X7 F9 c, ^
这是“你”的Unicode编码
x# X0 @; r5 ]* K& r4 [# Z. U* R. `
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。
8 Z1 A) |5 n/ w8 r; A6 g; ^" q0 n }' N n
以下是Unicode和UTF-8之间的转换关系表：, _& `( l8 V2 C( U9 Z
% T5 k- J% ~! U- v# k0 a& I
U-00000000 - U-0000007F: 0xxxxxxx
3 ~2 g3 K! k2 a
6 B/ M2 X/ p' `2 ]8 Q/ h& L$ n2 W U-00000080 - U-000007FF: 110xxxxx 10xxxxxx0 I6 W( C0 E6 k' [4 r1 q; p2 |# Q' X
" E- h9 f9 ]) {' w
U-00000800 - U-0000FFFF: 1110xxxx 10xxxxxx 10xxxxxx) f# A7 O j2 B( E+ v0 X2 J
5 n, \, F+ m' Z6 O U-00010000 - U-001FFFFF: 11110xxx 10xxxxxx 10xxxxxx 10xxxxxx. n; _2 M% _4 ?: U3 ~" w7 ]+ ^
, M1 Q! `7 {; |8 c. E: b
U-00200000 - U-03FFFFFF: 111110xx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx
7 t* r @% \: y
& o) {7 X3 r' a1 x3 p9 F! p U-04000000 - U-7FFFFFFF: 1111110x 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx
' H: E4 m v$ j5 I$ T
* ?; k4 ~9 ?6 o# H& Q, k; N 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
| 