|
 
- UID
- 1
- 帖子
- 738
- 精华
- 28
- 积分
- 14341
- 金币
- 2456
- 威望
- 1647
- 贡献
- 1404
|
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：
9 A. ?2 f0 R% B/ B& ]! k$ o# ~% V0 S; k I. d& o
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。
% v, U4 O9 N: T) {& v1 ?
, j. t" Y8 ~$ L( D# G: I 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。
8 U0 }; m& ^- ]: k* B/ P- C
! R! j/ T3 q6 X: [ 2、台湾，香港等地使用的是BIG5编码
Q, ^3 R4 k& X. e- j0 [5 V! `) X D/ v8 Y# S1 p
3、日本：SJIS编码
0 {) [7 k% L( ]8 A$ o7 x# l* ? D: b: Q- n! 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。
# s2 a8 x4 e2 w: G# c% j6 I$ p/ |& @% z# Z) D$ k& V
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。
) j6 _3 [6 T) ^( |& p4 ~0 {$ M( g. `6 \. A4 I/ W6 o4 W8 i* ?
Unicode的学名是"Universal Multiple-Octet Coded Character Set"，简称为UCS。
6 J G1 u1 Z4 w$ T/ T0 h
7 e/ K5 h. \" A$ S9 \ 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
9 d( h3 u- E. ~7 f9 h* t
( i) V( y5 f9 ]7 } 20000-20FFF - 21000-21FFF - 22000-22FFF - 23000-23FFF - 24000-24FFF - 25000-25FFF - 26000-26FFF - 27000-27FFF - 28000-28FFF - 29000-29FFF - 2A000-2AFFF - 2F000-2FFFF" w# I3 ?" w, Q+ ^0 W# a9 Q
" m8 s2 F& r: |+ ], z& y# c4 P 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。* t0 z9 F) X* F) m. k2 K _4 }
- Y; M* H J' c- \! S
什么是codepage?codepage就是各国的文字编码和Unicode之间的映射表。: g" F6 p- u6 a( E
! _- ]( X+ k* B9 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。6 }; K1 \4 e, a( D' v6 m
7 a# v/ G3 n% t1 ?4 K$ S codepage=936 简体中文GBK
) P; [! g( W# A& k2 a
/ R& N* g; d+ E" g4 T codepage=950 繁体中文BIG54 n7 L/ p% w0 {& n/ r; q
+ M; o7 w5 `, X4 J' M7 k codepage=437 美国/加拿大英语
4 C3 [$ G5 d7 x g0 Y% X& t
0 ^: e$ c# F" N5 Z5 A codepage=932 日文
" M3 k7 O" @" O4 {/ I! _ }7 S4 @2 A2 X
codepage=949 韩文
5 J u) q" a( ^: H
$ q, Q0 w; _9 I9 Z$ \5 {1 l- d& { codepage=866 俄文% A: f9 {3 j: g" Y
4 k* V( e- P# C! B
codepage=65001 unicode UFT-8
6 H4 W( K" A- P) p$ L8 n* Z
7 q+ Y: x& H+ A' U% k 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。
' d9 J- c; s9 I0 f' G9 T8 g3 a, W$ }; }( i u' A
从936中随意取一行，例如：+ _# D. i) @; g6 c
3 X5 l8 F: k/ D6 b+ E- y
0x9993 0x6ABD #CJK UNIFIED IDEOGRAPH9 w! R) X1 `3 U0 P! ]6 v. l4 R: x
9 L* m: _% W( y3 n) S
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。" C) K% e' i! ^7 `: p
4 l1 O9 v" J) K7 Q9 [ 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?
- Z4 y2 }- M: l, w, p6 x4 }. q; p C+ X+ _) [3 J; x( M$ ?7 U
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?
6 P+ x' u$ H o1 r, G& N! F! J* C
例：9 e/ Y& N4 R _4 @1 F4 o; d
7 Y! q* Q- n8 _ G, v
E4 BD A0 11100100 10111101 10100000
! O* n, y4 A5 K, g8 E7 m5 p- c0 o) N4 h) J5 G3 U, W" V
这是“你”字的UTF-8编码" l# p0 C2 G7 _1 V' a6 j
( `, @8 X5 ^; b- S0 Z I0 n7 E
4F 60 01001111 011000000 Z) W+ d4 H* h6 v2 `
) s. b' Z' Z/ B
这是“你”的Unicode编码8 H$ j0 Q. w0 B9 u. z( Q9 Y' X
5 e1 I S% W; z6 N( U- F4 C" d' 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。
' x, ~; q9 z( D* H1 `8 Q& A/ C! ?6 S$ }2 ]
以下是Unicode和UTF-8之间的转换关系表：3 x# h: B% e3 c, {% p+ ]3 N! W
, j. v7 Z; K1 d U-00000000 - U-0000007F: 0xxxxxxx
1 P3 K) \* b2 z$ _6 H8 `' P: A* a6 Q" R5 C
U-00000080 - U-000007FF: 110xxxxx 10xxxxxx) ~3 Y& ~1 X- w, M( O, C+ D
* h% i$ H! }/ S U-00000800 - U-0000FFFF: 1110xxxx 10xxxxxx 10xxxxxx% t6 P' q! ]* K. z- C
3 x* x# Y5 P2 q& E( ^3 L) ? U-00010000 - U-001FFFFF: 11110xxx 10xxxxxx 10xxxxxx 10xxxxxx
0 h- u% j |0 T
9 V$ X. J& u M7 s9 b U-00200000 - U-03FFFFFF: 111110xx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx
5 v% _! N Z5 q/ n( B0 m9 |4 q Z8 ?/ f
U-04000000 - U-7FFFFFFF: 1111110x 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx6 y5 e! t+ q; h; Z$ K% Y) a- U
* i* c8 d: R: O+ I v3 c9 [$ o% z
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
| 