|
 
- UID
- 1
- 帖子
- 738
- 精华
- 28
- 积分
- 14389
- 金币
- 2480
- 威望
- 1647
- 贡献
- 1428
|
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：; y9 L+ b1 C# q$ f. H0 V9 N/ F1 D
8 }$ ?+ z: w/ r9 J* Z
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。% y3 F8 m9 ~8 D9 n0 ]
* F8 D$ `. t4 Q4 T) x7 H5 {
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。
, Y4 ]/ e- |# F E4 k% o; P4 G/ ?$ n* N; U, h; _
2、台湾，香港等地使用的是BIG5编码
5 M3 N3 d2 s/ p9 ?$ j9 D+ h5 m3 B( \/ `# {# v
3、日本：SJIS编码: ~+ s* U0 t: D# P, `% U
1 t! _. f H2 _: W. ]2 y/ e7 m% { 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。6 m5 g0 u$ e/ {: y. U2 m1 l
; L4 A/ Z( h2 S N' e; [3 s 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。
0 ], z+ Z+ m& |& r: ~) J' x( A5 u0 M U: [2 v0 U% o2 M
Unicode的学名是"Universal Multiple-Octet Coded Character Set"，简称为UCS。
9 I- j( w& y' W
7 _6 i" ]3 H4 u, ]5 K8 J* G 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$ t; C4 K: a; |
/ V5 j3 Z5 r" _! y/ s2 T; k! p 20000-20FFF - 21000-21FFF - 22000-22FFF - 23000-23FFF - 24000-24FFF - 25000-25FFF - 26000-26FFF - 27000-27FFF - 28000-28FFF - 29000-29FFF - 2A000-2AFFF - 2F000-2FFFF
( k( X$ G3 r) q# _+ j2 W
0 ^6 M" m* a5 _1 Z5 d i) N 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。
8 C' p& i6 s9 T8 a# f/ ], k* ^/ o- ^6 H) K" x
什么是codepage?codepage就是各国的文字编码和Unicode之间的映射表。
1 x2 @6 C e6 a# z9 a5 ]3 e( l6 e
( H4 \# I# ~ a) V 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: m: k% d* |2 Z8 y( Y5 S7 j* x
, i& R2 f) [2 F I6 ~% Y- e0 }
codepage=936 简体中文GBK+ n0 d, ?1 A c# I, h( D
0 a# j/ } J( \ codepage=950 繁体中文BIG5
5 g! r8 i" a$ z
' z% K! U0 `4 A codepage=437 美国/加拿大英语( c+ D5 k) v& N: m3 \
9 Q! _& L6 b* W$ \% A- c codepage=932 日文' u9 f8 a4 E2 X$ e4 ^
y4 i# x( S% w y. j codepage=949 韩文
6 z, S# J. _: R2 L1 T, M& L( E# K" U& v/ G; e$ \* D) w
codepage=866 俄文
, v0 L# {5 @3 c' W) K6 m
7 P/ @. z$ z" c" t codepage=65001 unicode UFT-8
8 U' O5 e5 y, X0 r$ i& u! x
4 d, |" D B, t* a, L4 G$ h 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。; _% |% u8 {1 E
( R& d. m% W1 c6 d% f 从936中随意取一行，例如：, J' P% }: I- d8 `& ~6 V- K0 X9 N
2 t& t6 X& t4 R1 j 0x9993 0x6ABD #CJK UNIFIED IDEOGRAPH
9 L" V9 {* v; g5 }2 U
: V% z" [. |( z o# B3 l 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。2 U0 @3 o* ~7 N( |7 f* c
# W2 R1 {- M$ K- ?! o9 @ 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 z( p6 q1 k; a" H5 i8 |0 V | D# K
6 G7 T2 G4 A7 u8 m 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?) w5 k3 F' Q* |' W" n
4 F7 W; d; V0 N5 b0 g0 P" i
例：
. P8 ~& P! R+ h" ~# D3 P0 i' _6 `" H+ h a2 J/ i
E4 BD A0 11100100 10111101 10100000- @+ k W4 w! [ }
4 s% q1 U3 R! w: ~7 o$ F
这是“你”字的UTF-8编码5 y" ?7 R. e( Y+ Z U$ H! z
2 r" n, Q2 l& H& C& _6 h 4F 60 01001111 01100000; i3 f& X9 M: K
) u9 a! h1 G* [! R" A
这是“你”的Unicode编码
& `' @: _' Y0 E7 O
! k0 f$ u! H Y c/ U. c j 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。
" y" Y, z0 t; _! f, Q
8 `" C0 X$ R6 a$ T 以下是Unicode和UTF-8之间的转换关系表：
* M# T+ L# @) C/ X& P
2 I+ ]# K4 G' @% L U-00000000 - U-0000007F: 0xxxxxxx" _9 F# ~3 A, g
' U; Q" o0 S) d5 B l) D. j8 U U-00000080 - U-000007FF: 110xxxxx 10xxxxxx
3 J" Z5 o5 y$ E) W
% [+ V3 F' ]3 v. T& D0 }0 R4 r# x U-00000800 - U-0000FFFF: 1110xxxx 10xxxxxx 10xxxxxx+ b+ d6 _ b+ J4 b
M0 t9 |/ K- c0 T
U-00010000 - U-001FFFFF: 11110xxx 10xxxxxx 10xxxxxx 10xxxxxx. r2 A+ C7 [8 _! W: k9 W) Y
$ S- H% f4 _2 V# ?8 x
U-00200000 - U-03FFFFFF: 111110xx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx
5 ]3 n" I, n" m, v Z) ]3 N3 K
[5 a; P- t y- I8 l8 E/ a5 l; l U-04000000 - U-7FFFFFFF: 1111110x 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx- K2 Y u# p1 ?5 X
3 W7 L/ s3 P' c
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
| 