|
 
- UID
- 1
- 帖子
- 738
- 精华
- 28
- 积分
- 14161
- 金币
- 2371
- 威望
- 1647
- 贡献
- 1319
|
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：
$ T4 B h% } t9 R( H' | M( `' ?2 U; ]0 C8 j/ P3 J) r
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。
9 P3 S. F. l- z3 n2 S: r0 Z3 K; G7 ]( F; V" }# s; B. H# t2 D; V0 h8 Z
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。
1 K3 b. i* J3 }+ ?! S- f( d m" W1 ~4 r" K; h, p
2、台湾，香港等地使用的是BIG5编码
5 l7 a( }; ?3 j, v% C& t i' O6 q/ `: a- f
3、日本：SJIS编码
' l# n2 v/ O0 n% E% E% ^
' J# V& b9 H3 l0 F0 u' M# y/ T 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 I0 @* u. w4 f: }3 w
: y- |" G: B9 ]' z/ ]1 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。
- |' ]4 a" P/ A: Q' ~( w
5 j" J, W6 v6 {/ f Unicode的学名是"Universal Multiple-Octet Coded Character Set"，简称为UCS。
/ p' a9 B! j& Y( q0 u
; p; J7 s, d3 Y- J 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
0 k( w* U; Y4 y: R+ m/ g5 _. f/ u/ X1 F$ ^4 _; O- Y' D
20000-20FFF - 21000-21FFF - 22000-22FFF - 23000-23FFF - 24000-24FFF - 25000-25FFF - 26000-26FFF - 27000-27FFF - 28000-28FFF - 29000-29FFF - 2A000-2AFFF - 2F000-2FFFF5 l( U; F5 W2 f- e
4 S8 Y$ k; h2 I/ ^ d9 z
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。
$ k2 k/ E! G/ Y& j# C0 P) F1 y3 O/ i5 y5 ?& h
什么是codepage?codepage就是各国的文字编码和Unicode之间的映射表。
: T W, o( \, L5 m9 `0 ?3 b$ i, m5 _- D5 v x7 s, W
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。% }* n" `# ?& M+ @. S
) ~9 ~: N: ]- D& {4 d codepage=936 简体中文GBK- s v; `- y! P2 H- O
' m+ e! o* w4 C3 n codepage=950 繁体中文BIG5
& P! X/ G; _- Q6 t3 l
( n3 y& n; k a8 Z S! i; Z" S& t7 O$ n codepage=437 美国/加拿大英语
0 {/ i( _/ E7 I! _
. [, }( g/ Y# C9 y( s codepage=932 日文
I# a1 v* V* m) D
9 I1 e. X5 ~# J$ K6 J3 I5 G codepage=949 韩文& ^ O/ `* g+ h4 R& e" k" e
2 ?5 @* f( D3 h6 I6 Q& f& D' R codepage=866 俄文7 B+ r/ K' H7 u" _2 E
) V: S* L4 b( r4 X: f codepage=65001 unicode UFT-8
9 W, x7 W* m* t L. x6 e5 u0 A; g/ ~" K6 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。
& F+ A4 t2 d3 C2 W8 d2 i( P6 A% a* ]! ? k; ~; Z
从936中随意取一行，例如：
9 q/ P- D! e' X( `- f0 [3 H
& G; Z `. [+ A 0x9993 0x6ABD #CJK UNIFIED IDEOGRAPH
9 { K3 l/ j0 r+ p* Q1 k
, k* _: r- d9 P; u$ T3 G2 }7 ? 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。" X3 s1 `% f5 g7 c2 t3 N
5 j9 `4 v7 k, V L* M
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?# s, M% ^; l, }- q' N' \
! I8 c5 \1 T, f+ m; g! v9 g 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?9 A, G+ }! C5 o0 I7 ?
4 \5 ?5 @- C8 w- z) t9 p; _1 O 例：
- G9 G: d# \$ t% w1 u. h4 S6 e! I" M1 n
E4 BD A0 11100100 10111101 10100000) `# n/ ~. n7 j) f. {
& f; [8 N, \6 O# C6 g0 v 这是“你”字的UTF-8编码6 a4 E4 @' T& C9 H. ?6 V
+ F, ]* Y! q: }9 K
4F 60 01001111 01100000
6 n) ?" A3 d2 X( Z" r$ m; B
0 M+ d/ h4 m- ^) l+ \9 `2 \ 这是“你”的Unicode编码' r! a2 a) R/ T* X+ Z
6 ? T" q7 {! C& K! 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。. @- g6 Z) H* N
( E! F3 G6 y3 x4 G6 f 以下是Unicode和UTF-8之间的转换关系表：
/ r! z& F$ b* M1 s. i. M/ E) V; C6 D) p
U-00000000 - U-0000007F: 0xxxxxxx0 V# `! s9 G" g& O2 i
0 L9 B# k5 }* S
U-00000080 - U-000007FF: 110xxxxx 10xxxxxx f% D+ R" n6 E7 J
: w# U; p5 e$ D6 Q3 v1 f
U-00000800 - U-0000FFFF: 1110xxxx 10xxxxxx 10xxxxxx
" V* e7 p t. v; Q) s6 z( a
P3 ~) j. K, l& r U-00010000 - U-001FFFFF: 11110xxx 10xxxxxx 10xxxxxx 10xxxxxx/ a& c% S+ W' J9 L+ c0 h: z
3 u6 W9 {6 C; D6 L+ U U-00200000 - U-03FFFFFF: 111110xx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx2 r: Q$ c1 W6 N5 R; ]+ Q
" w3 H8 S4 J( |1 @4 p R
U-04000000 - U-7FFFFFFF: 1111110x 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx
. X% v2 K6 Q1 x* ]$ @% g" S! C# {5 w T" ~ 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
| 