|
 
- UID
- 1
- 帖子
- 738
- 精华
- 28
- 积分
- 14191
- 金币
- 2386
- 威望
- 1647
- 贡献
- 1334
|
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：
4 f: V' L2 M1 l5 l ]3 }. B
+ z" n0 Q: v$ }6 y9 a5 q 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。
( L7 }: p$ \) A) @9 l8 S6 L
" }/ y9 G% d* X% p! `6 ]6 o 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。
2 N6 }3 U4 x4 H0 ?2 L
2 K# [6 ?/ l% u- j) b4 Z8 [ 2、台湾，香港等地使用的是BIG5编码* V5 w" Q( P7 @2 M& u& P
' v: w) e) V9 d8 Q. d: n; d 3、日本：SJIS编码- ]% F& Y( z, h# H6 ^8 b
, [3 k- S( _+ k- A( v& F! F2 F 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。! o: S. A% \6 N
8 h; N& @8 i; `+ \! w% c 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。
6 ?+ Y! \ _; m' G; k, P- @6 H2 ?' e1 p W+ Q
Unicode的学名是"Universal Multiple-Octet Coded Character Set"，简称为UCS。# L; i% H7 e( w; N& o
& j z* t* f: j# d4 { H1 C 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, p0 k& n$ a. q F5 w
3 Z- \/ P2 F& w, } 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 ~5 k8 T; d: H1 @/ q/ p" x
+ x$ s4 z, U w2 k% o. |/ 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。/ R6 ]4 } B$ P/ |8 f
" s ?! p C0 S
什么是codepage?codepage就是各国的文字编码和Unicode之间的映射表。+ q4 |/ E! ]$ s4 a
9 q4 w. q _" L1 J 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。
4 _% Y# a# ?% E0 s# ^0 z/ ?9 }* j8 w1 W+ [
codepage=936 简体中文GBK* M$ s/ b6 c! N4 r1 a3 o5 d% H
# R+ c. ?/ a9 K
codepage=950 繁体中文BIG56 C' L4 j3 |* b7 `' E4 S. E- Y
& U0 T4 f& m( }0 q2 o& \4 ?/ I1 Q3 E codepage=437 美国/加拿大英语" B: E& e* ^. u# D+ J' W* Q0 E
* Q& t. r; @8 S& k% c codepage=932 日文# m. \- Y2 S- [1 p; W
; |, \$ O1 L" F+ t( E4 t' o8 Z codepage=949 韩文
6 V) I( z7 M) }" \% C2 ?2 ^
, p0 \/ i, O: w8 l2 i codepage=866 俄文
( w T! b# A2 t
0 t% a2 N+ p7 V4 r j$ ]% Q) V codepage=65001 unicode UFT-8
' S7 |9 k0 Y+ e# c9 L3 h. ] b
1 q! k/ Q8 k3 V( w4 S" l2 z7 N 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。
+ @* y) s! \8 B- H
, c4 U% i" i, a; }) X 从936中随意取一行，例如：
6 a6 G0 ]' M/ T; `2 S: W. ]8 K0 x4 b2 C: J' A3 w
0x9993 0x6ABD #CJK UNIFIED IDEOGRAPH3 {0 C+ J$ X* w+ Y& ^' T8 @4 B
" n4 m; p! @* u- ?
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。, X+ ], K" o O$ w3 B
8 t. F* ]4 F2 f G0 [3 u1 j1 K 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?
8 f7 D0 t' K s4 V8 _( @5 a, Q" t. y/ o& K8 u# A. `1 l5 ]/ |
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?" g. Q. T# M. w( `
1 P+ o0 C3 Y* d2 Z+ C2 |+ ?2 t
例：
' r7 X' c& B0 d' Z$ j
4 c' R# h) g- S( ? p E4 BD A0 11100100 10111101 10100000
$ ?6 ], x# C9 [
( B6 b- |7 H* e; P3 {/ i* w 这是“你”字的UTF-8编码; I ^. v, u$ u! E
1 f3 x" C. s: U- K, j; i2 m
4F 60 01001111 01100000
& Y+ y2 | H8 z& ?, f3 Y, {' R5 S5 k c0 I m6 I
这是“你”的Unicode编码
5 s* `/ C, h' O* e
4 M7 a* r& f u0 B- N. y 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。. n4 q( A) b& t8 O) e( L4 X+ r
2 C" ?/ t& v5 v8 Q" Y. f' r2 o
以下是Unicode和UTF-8之间的转换关系表：2 N- }, Z0 A; f; v* o7 s
( t( s% l% f- _$ }
U-00000000 - U-0000007F: 0xxxxxxx
) R! c6 ^) ]$ I. @% y G
* s+ c3 C( U; \* G6 l, M- K0 a U-00000080 - U-000007FF: 110xxxxx 10xxxxxx
4 R' t2 |& R$ @9 K+ B; O* Q9 H4 F; p5 P5 }+ Q- D
U-00000800 - U-0000FFFF: 1110xxxx 10xxxxxx 10xxxxxx
# L7 M, B4 u! @0 [" J R2 o3 i. b9 Q& u; g8 t
U-00010000 - U-001FFFFF: 11110xxx 10xxxxxx 10xxxxxx 10xxxxxx A( I" W/ o6 J$ Q' ]9 l" n7 Q6 ^
+ l2 x0 u' d+ Q# i2 c U-00200000 - U-03FFFFFF: 111110xx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx: l" ~! h; y: I% I- |
5 [; d" }' ]+ X" m/ m6 z9 T& l U-04000000 - U-7FFFFFFF: 1111110x 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx
/ e' t2 u* {) k3 V5 Z. b2 [5 L, h* z; R0 q
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
| 