|
 
- UID
- 1
- 帖子
- 738
- 精华
- 28
- 积分
- 14221
- 金币
- 2401
- 威望
- 1647
- 贡献
- 1349
|
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：: d9 C- g. M' |) y
1 S9 K; p2 \! m: }) A- @9 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。
' j3 p. f8 \- d2 r' {; I& ~, _ A, ^6 U
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。7 x+ o& ~* y/ |' M
. \% |. H. }- _# G( g5 K
2、台湾，香港等地使用的是BIG5编码
8 |& p& u7 K! n0 w3 I$ S" G
% s1 r" f7 b0 ~& [$ b, }+ T 3、日本：SJIS编码
7 B; f T ^9 B+ D5 W1 G: g; @' [2 C2 \7 C9 i
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。
9 o& b% R+ Z2 S" l1 J7 ?4 b/ y6 \. N
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。
* q; \/ u6 _: B( }, g `# d; c) W( b
Unicode的学名是"Universal Multiple-Octet Coded Character Set"，简称为UCS。
8 m" u7 [8 E T; s( a3 C, R* @
: @3 S4 k1 T$ z 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- |, @7 |' \) k3 ]. Q/ m2 ?. I: i
* c' Z9 t2 h: q6 U 20000-20FFF - 21000-21FFF - 22000-22FFF - 23000-23FFF - 24000-24FFF - 25000-25FFF - 26000-26FFF - 27000-27FFF - 28000-28FFF - 29000-29FFF - 2A000-2AFFF - 2F000-2FFFF6 c2 x5 |6 ]# s0 l4 V- U
& {9 q9 v r7 N3 I4 } 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。2 Y. K: H- @, I- j6 \& Z1 \! V6 a
. `2 Z1 W3 [/ n 什么是codepage?codepage就是各国的文字编码和Unicode之间的映射表。( F K- @& i8 A3 ?$ R
+ |! C: \9 K. i; @, G
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。( Q; n6 g) T) A: G
0 u1 k3 r% d9 s% t7 b2 @& P codepage=936 简体中文GBK* d2 J" `$ H1 L3 r4 K; r, z
z- | @) A) b codepage=950 繁体中文BIG5' ? A) P0 _, ~" Y2 S3 T
, z1 M2 b5 }% |6 i) d
codepage=437 美国/加拿大英语7 S+ u) D+ f5 P* f8 s3 U0 g
8 ?0 V" T0 {1 b
codepage=932 日文
+ T) c, [+ {( y+ g- R3 W3 t0 \$ [! o. Y. \% q' i
codepage=949 韩文
1 i: K- F4 J- Z: `! X" D& a1 Y* `% M/ W
codepage=866 俄文
; F2 d; p% x; `) [$ ]) g3 X5 y8 p$ D1 z1 m, v( h% ?) v
codepage=65001 unicode UFT-8
! }% {% T: |8 J* Y2 J3 G) N2 w) }, l/ C# a
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。: s; O- |' X1 V Q$ T
j8 F: g @4 B
从936中随意取一行，例如：, A, M$ t! d0 s
8 N7 ^- B9 c( }: v9 v 0x9993 0x6ABD #CJK UNIFIED IDEOGRAPH w% F$ i$ `* T0 Y/ ?6 c) e, D
! Q7 @+ ?" Y0 s3 j; ^$ J- k* J
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。
3 @4 x% @/ y8 R" Z4 v0 D* d1 c# O5 v3 T6 k9 w. a
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?$ j, s/ _$ X j0 Y$ @1 A% L, N! g
1 c2 Q/ {% o; h {& [! d 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?
- T+ S" C6 X. D; W# a7 Q+ ?/ F4 e: X3 s% o6 s5 E2 E4 U
例：
9 c/ @ T& Z! T) U7 ]% H
% X" K" z' J# Z( f& q H E4 BD A0 11100100 10111101 10100000% w2 i9 }% T" R: M8 r; w3 M% P s
' B7 T: d' e$ a9 \% @$ f 这是“你”字的UTF-8编码3 ]7 h! \" _' `% E( b ^
& m7 c& v7 J: v9 J- ~' ~0 X# t9 C0 t* b1 j 4F 60 01001111 011000009 N- e7 ^+ O4 f
+ H8 a2 K. b' j5 h
这是“你”的Unicode编码
3 ?% ^% x. b6 w( E, _# ]5 G( l
9 N0 ?, T$ {' G# Y7 _/ }( m 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。7 C9 f6 Y; ?0 p
- S3 B; E- J# `! L
以下是Unicode和UTF-8之间的转换关系表：
* M; T( n5 ^, N# x. A3 F; K) f; v; {3 P; ^8 T2 V+ X: \- s
U-00000000 - U-0000007F: 0xxxxxxx
2 M0 x, ^0 v" ?! b+ }; j
9 G1 f b% g5 w$ q( T3 F+ j5 y) R3 R$ @ U-00000080 - U-000007FF: 110xxxxx 10xxxxxx
3 h' L. X4 ~4 {& q. n
* l/ q& k2 E/ z8 k* H/ B U-00000800 - U-0000FFFF: 1110xxxx 10xxxxxx 10xxxxxx9 q( m0 i/ w& n( g
# T) n4 K) M% V7 p+ k7 B$ @- w
U-00010000 - U-001FFFFF: 11110xxx 10xxxxxx 10xxxxxx 10xxxxxx5 Y! q0 _1 [- \+ n( @$ h& X' Y! p
# b. K1 w! k% t( o% O7 S
U-00200000 - U-03FFFFFF: 111110xx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx6 x, R& n- R C( l+ r
. }+ r* L1 T6 w0 `$ _ U-04000000 - U-7FFFFFFF: 1111110x 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx
/ ]; d1 {0 P+ b7 O& Y/ _% f- ~. ~- f( w) q
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
| 