|
 
- UID
- 1
- 帖子
- 738
- 精华
- 28
- 积分
- 14325
- 金币
- 2448
- 威望
- 1647
- 贡献
- 1396
|
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：
* J C% T8 p- }' a8 ]! a9 f6 }2 M6 y, p# V
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。
7 \& K" u8 B1 E8 G% e- J8 q5 b6 c0 u( a \! P
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。
5 }6 Y1 \+ [( C8 E: N0 a. F* o+ r5 }: S/ e3 O
2、台湾，香港等地使用的是BIG5编码
) y( O8 g/ g' h8 o8 ^( | G; y/ q! ~) Z! J% s$ f
3、日本：SJIS编码+ e$ P# O1 U9 {3 c. l0 ~9 B6 \- M$ A
3 y# I) G/ k- X3 h+ 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。2 W' v& b9 ^7 V0 I
) i" l# X2 u+ l) ?* E. r2 {9 q
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 @" G% C8 p- I3 i
9 U' P' }' S/ i+ h( z
Unicode的学名是"Universal Multiple-Octet Coded Character Set"，简称为UCS。) ?# X: F+ {8 {. u- a2 k; [
: i `4 t6 q4 a* K3 | 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
6 s% Z1 ~( X7 B2 b
% ^3 ]# {7 b) d' 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, ]5 o/ v' A" ~, Z3 h
1 W4 J, i+ u$ I4 t6 C
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。
" { M; f. n3 f, |3 {4 D
( h, ]: m5 s* l+ Z# U/ F 什么是codepage?codepage就是各国的文字编码和Unicode之间的映射表。% s/ L3 `) M, D( y1 ?0 ]7 ^
. a2 l% Z; b% O/ V3 a, A 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。/ F6 ]. f5 }$ B3 r
+ f) [! {& ~$ q2 r5 k e9 G9 u
codepage=936 简体中文GBK
1 F/ P( m k. b- g" W: z4 W; ^9 g: @$ t& V
codepage=950 繁体中文BIG5" [5 z% K, D% @% Y2 @5 r$ |$ |
: d: p# O) {2 i4 u codepage=437 美国/加拿大英语6 B2 m' ?) o' g6 K
( p" s4 I4 ?( L4 T0 C
codepage=932 日文
2 R. x' n5 k r0 }% T
% ]8 ?' A4 Q3 { w- A5 |, V codepage=949 韩文 g8 C( N- X, L5 L, q
1 x0 L# k: R( q- N0 @
codepage=866 俄文
, k7 e4 Y# L6 M( P; O! W V. h2 Z+ B: Z. D3 \0 j. b
codepage=65001 unicode UFT-8
& Q, U! Y/ D- c$ f9 S/ ]
& ]8 k: g' `+ z' M' Z, 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。2 H) ]2 Y+ p# C1 Q7 f0 V
! e5 w; @. o3 l1 ?) m$ v 从936中随意取一行，例如：
2 f" s5 ]" l m: a( r4 M& H6 }+ E1 E2 Z4 u5 t, a* C
0x9993 0x6ABD #CJK UNIFIED IDEOGRAPH. c% m! \, @. F- |" M9 v
7 O) e+ x3 G; Q% o/ W# m 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。
C7 k0 {) \! }( F8 ~8 ?' ]4 }# q
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?+ ^9 V) K; X6 _; ]! b" Z# H' g
7 m3 L" m1 g% {3 M1 H7 y
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?% X3 r6 Y% a& P) U1 E( j% X
; ^$ l6 w0 i1 _7 s: `1 J, {3 n" Q; y 例：
& k6 A/ w2 }* x5 `2 {# X& u3 c/ Z% W: j/ s' x% h5 a$ J
E4 BD A0 11100100 10111101 10100000$ z+ h: }2 c: v
& P/ m, N1 H8 a/ ?
这是“你”字的UTF-8编码- V, d% v; q# b( l
6 k) G$ i9 [. @% f# {# s$ t; C 4F 60 01001111 01100000& s8 g3 x1 _3 c' I: S
& r% w$ ]- t/ U$ X 这是“你”的Unicode编码
: d! l" y' i( `! w
: _# l2 Y8 ^ _ 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。
0 x5 \4 [0 l& f; o. |7 y' g) v4 t* r) k- \
以下是Unicode和UTF-8之间的转换关系表：
* [' ?3 J& z: E4 t, Y% I/ T' T' }
- H$ S0 N( q( t5 h O9 m U-00000000 - U-0000007F: 0xxxxxxx( {& Y# Z* n1 r! w( E
8 I4 f+ g, \; N; c3 S! a2 p0 g. ? U-00000080 - U-000007FF: 110xxxxx 10xxxxxx E' h; ~9 W1 E
) I6 ]+ E; s1 w5 D, G# j U-00000800 - U-0000FFFF: 1110xxxx 10xxxxxx 10xxxxxx* V2 y& |' z! h v
# y6 q' w# H; D2 U' G U-00010000 - U-001FFFFF: 11110xxx 10xxxxxx 10xxxxxx 10xxxxxx+ b3 o& R/ F, |6 g; Q2 t
# K# P. C( }1 X7 x2 Z U-00200000 - U-03FFFFFF: 111110xx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx/ Z, q, S2 E) e& W
/ @, e8 [. N8 U7 F1 ~8 l; h
U-04000000 - U-7FFFFFFF: 1111110x 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx a0 Y+ {/ o. T# \1 ?' n* {: q
& n4 z8 L) G% X. z4 Z- f8 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
| 