|
 
- 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：
/ d R) w) \2 _7 f# V! Y2 ^& I3 r! R2 K! P4 x `. N
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。
' K- Y( v3 }; e# }" ]8 W% T; `& | i- X. ^$ y
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 l7 i. B. o" U$ f6 K& E
! T1 F% S6 ] o7 z4 x! n* W 2、台湾，香港等地使用的是BIG5编码
) L# E) w3 `8 C( ?! `2 p) K
7 e' ~# `& E( \ 3、日本：SJIS编码0 R" W9 }' }! x' T) g
2 K2 S& O0 e- T9 q. C( 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。! p- M2 h3 i# }- P4 y) C
0 L/ x- Q6 E$ @+ c- w* ?
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。! f% Z% t7 w0 H1 a& K/ W7 C
; s$ b3 p6 e9 g
Unicode的学名是"Universal Multiple-Octet Coded Character Set"，简称为UCS。4 d2 }" N# f5 |1 P1 g
6 j( V6 b' m1 b3 V
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
+ J4 @+ i9 ?' D B# C% Q2 D0 C1 E2 t2 [ d# B
20000-20FFF - 21000-21FFF - 22000-22FFF - 23000-23FFF - 24000-24FFF - 25000-25FFF - 26000-26FFF - 27000-27FFF - 28000-28FFF - 29000-29FFF - 2A000-2AFFF - 2F000-2FFFF
+ Z" t. s* T4 X. z4 q/ J6 q4 X
& Q( W' p, z" P( k$ M 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。# s. u! p. Z8 F7 Y' l+ ~4 R5 J1 g
A) s* B: _4 E7 T8 z* B; G6 H 什么是codepage?codepage就是各国的文字编码和Unicode之间的映射表。
, K7 C4 U4 p" q* {) D& i0 _' S" _# H) n! j+ O. L8 C- \
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。
) F# m9 [5 m4 ?7 {
3 b( s7 b% U8 Q" W; e codepage=936 简体中文GBK, m5 m+ F0 e6 k/ V( `, [. p' f: @, a
, k. s1 j1 b/ g* d/ o codepage=950 繁体中文BIG5
* e* C P2 x/ P+ z; a7 `3 d& \! F0 w
codepage=437 美国/加拿大英语- d) F) Z) C I0 J9 J+ q' @3 ?6 e
. d4 Q o9 o' Y
codepage=932 日文
" `" G/ m$ D/ H! C6 m& \' l! |( y; _9 ]
codepage=949 韩文! W6 n7 c7 R8 [7 k+ ^
% F" @2 Z; ^2 B. [
codepage=866 俄文
7 e% Q$ @ p( H) K& m. A- e7 q; N# l4 `; A9 f
codepage=65001 unicode UFT-8
1 \: y/ Z- Q C
1 i5 P1 a) z: b 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。
: x$ _$ {+ o( @, p4 M2 c& u0 S. y. I. w: |
从936中随意取一行，例如：
3 a8 l2 P7 D5 M: M( Z
8 |: z8 G$ z1 J4 s8 w 0x9993 0x6ABD #CJK UNIFIED IDEOGRAPH
6 G3 k- P/ M7 g
8 [0 G! {- k) a1 K% f; v 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。* I' M) }. H% k
+ @$ E) I5 f) X o/ Z 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?- |, @7 S1 s: H* u, T+ x
( N5 O t+ ^3 ~6 v. d* V3 P7 o( i+ z
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?
5 W# o4 s, e* n. t3 s. C
m, `2 k: Q: ]' a 例：
% t# o/ N5 K' J; q% C) ^4 d" u
; O* w; b7 m% Z! O E4 BD A0 11100100 10111101 101000009 m) ^# H" B5 v4 N8 k6 e1 X8 d! n
4 p4 w# w: T) F2 ~$ P g5 X
这是“你”字的UTF-8编码& O( T: _0 \8 K6 U; I# I8 j
: L q+ U1 E& B& Q 4F 60 01001111 01100000( D8 m( v7 D4 m
B) e$ A- `. C% u5 R, H/ k, y
这是“你”的Unicode编码
6 }2 C. ~7 i6 M1 S
) a- H {, E: ]6 E 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。
5 V! X4 O, C% p, r0 u2 N" [6 Z! q7 L
! {3 r: l# k4 ?* |9 x 以下是Unicode和UTF-8之间的转换关系表：+ @5 o" ?0 C" n/ ]+ r
V" G! L4 P& y+ Z1 w" [5 j& l- |& U5 D
U-00000000 - U-0000007F: 0xxxxxxx
' U# ?/ q; y6 Y3 G) W
4 X: I! c* P* R5 P$ z U-00000080 - U-000007FF: 110xxxxx 10xxxxxx
) y6 }3 T" J4 U9 t8 y
4 s$ J6 [+ U: z' E- P" @! H- L U-00000800 - U-0000FFFF: 1110xxxx 10xxxxxx 10xxxxxx
2 V" ]$ I: ]7 x) W% y/ L5 W. l& S: l( w/ k
U-00010000 - U-001FFFFF: 11110xxx 10xxxxxx 10xxxxxx 10xxxxxx
, Q. O: V. m+ r* l9 {, @
3 ~2 p; H% }$ }5 |% O2 ^% K* h U-00200000 - U-03FFFFFF: 111110xx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx
' L& N! n# Z$ O4 {: [1 [7 Q
2 A7 @' J, o8 d6 G: Z7 k% d- { U-04000000 - U-7FFFFFFF: 1111110x 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx
0 N6 |9 @( s7 u/ ^) o5 `5 R, D. T# w5 u, G, s3 y7 _0 h* ~
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
| 