|
 
- 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：
4 o4 Q9 l/ e& l6 V3 }. Y
( Q9 K) S* d2 Z. b$ K K* i 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。( N$ N& ~4 ^& |! D6 @$ i
7 L0 B+ n' A) a+ z, K' 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。
+ {& |6 H0 T; m# ]: G( y3 I
3 n+ H# w( k% _" N 2、台湾，香港等地使用的是BIG5编码& e/ Q! v% s5 ]. c+ g% G% K0 U
2 H# N' v7 k* ^; l
3、日本：SJIS编码0 E! k# l0 ~: d- h0 C1 M4 Q
, s0 u% ^9 f ?* Y+ p+ z. |" y
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。
3 u9 k. ~1 y+ P4 R3 \
2 \+ H# f, _7 n' 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。
& h0 u0 b- f9 g! ^
; B6 x3 o/ ?1 g; d. k2 e R6 S ? Unicode的学名是"Universal Multiple-Octet Coded Character Set"，简称为UCS。
0 T8 r: v, c, s. t7 l( f, j: Z1 {2 i
0 Y( S: ]# n5 q9 L7 _- L4 N5 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
# q! Z3 }0 [1 ]7 L5 R- e; ^ e4 ?7 n' k+ _
20000-20FFF - 21000-21FFF - 22000-22FFF - 23000-23FFF - 24000-24FFF - 25000-25FFF - 26000-26FFF - 27000-27FFF - 28000-28FFF - 29000-29FFF - 2A000-2AFFF - 2F000-2FFFF
7 ^ P( i# Z: V7 x* i: q) y; {
; K. A4 e: h+ { 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。
, F% ?4 I6 ~5 x# f, I! _; w+ l
; L4 ~: T$ @( [5 C6 t! T 什么是codepage?codepage就是各国的文字编码和Unicode之间的映射表。
$ b( B- H" c& ~0 b1 `* K. h5 `% n* e8 I& j: Y. k: f# T9 b" |
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。4 K% y8 D7 j% N. P* Q8 l7 R+ W
4 e9 {+ V+ B6 N# W6 J
codepage=936 简体中文GBK" a* T5 x4 L, F5 z7 d: ?, k
3 E+ T5 Y- Q. y$ t
codepage=950 繁体中文BIG52 H! `( J" k8 |. h+ Q
- ~1 v! t- i3 N4 y/ K" |( _
codepage=437 美国/加拿大英语1 r& @& |5 [# c* j2 r$ i
* s/ Z# `2 b, N codepage=932 日文
7 L, {& ?! m" g5 d. f+ `: ?( {9 O0 ~' P, @5 a
codepage=949 韩文
: O, ?. ~% X& l* Y z& b }+ @3 m9 x* A8 _7 |
codepage=866 俄文
# C0 J0 o% g3 b! W% U* Y/ h. t; g) o/ E
codepage=65001 unicode UFT-8
: s" b7 D) B9 U6 i7 U' b" G- D
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。
- c2 U0 X4 H* q. b" x1 s# ?6 L- N: a4 V) E
从936中随意取一行，例如：: @/ k s* ?9 _. V+ x
8 s0 S i; U }( ^7 d
0x9993 0x6ABD #CJK UNIFIED IDEOGRAPH( H1 L# t1 W9 e) ?; A
3 f7 | H0 i& m! [! E
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。
0 C/ y1 z! U, i9 B/ m: K/ P5 |
* B, Y' n6 v6 s 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?
m, q+ x* B0 t2 p* z+ g% v# I: F
* U4 g, _, M0 p4 r3 z- @( S 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?
( m' D2 f- l# y* ]/ x" z: h# e( W# n/ j
例：" K3 n/ W {( {
8 l* q; I* L, b E4 BD A0 11100100 10111101 10100000/ t- p; P+ I, z" X2 H% ~ T
* u- q# E) b& B; p6 X9 |5 q/ z
这是“你”字的UTF-8编码
1 I+ U+ {8 N/ T+ R3 X5 d; J% ]( s: v8 O n
4F 60 01001111 01100000
3 z j3 m1 B" W' G3 M( h+ }+ p$ T8 @5 c! j, T& z2 F
这是“你”的Unicode编码
0 `7 T5 L% Y$ S/ a* T/ r2 G r8 n3 P2 U, y6 w
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。
. b: H8 Z4 j) I, g2 B. ~- R( B/ Q7 x f' q1 o9 u
以下是Unicode和UTF-8之间的转换关系表：
% e& ]; A1 K* H8 H: u+ H
2 A. s/ g, S2 F U-00000000 - U-0000007F: 0xxxxxxx
/ p* r: i# `* w; O) p3 Y
, S, W' }7 n+ ?! q* h7 T; T+ b U-00000080 - U-000007FF: 110xxxxx 10xxxxxx
) |& ^/ h: L2 O1 Z7 m8 W4 v! R$ o' V# _+ b. p$ j9 l* c5 {5 d
U-00000800 - U-0000FFFF: 1110xxxx 10xxxxxx 10xxxxxx' ]2 \! ]! S* u
4 m8 ^9 x/ v2 i b: L7 Q3 ~2 ^ U-00010000 - U-001FFFFF: 11110xxx 10xxxxxx 10xxxxxx 10xxxxxx. b7 D: Y# q4 m; f( P! j! a! `
! A6 I/ Q+ C c4 W
U-00200000 - U-03FFFFFF: 111110xx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx; @/ m$ A$ a* m* \/ V) X
9 e( }4 |4 R; e+ }4 {, w U-04000000 - U-7FFFFFFF: 1111110x 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx
6 W# B; P& i% x0 D* X( A
5 l4 q; o* s" 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
| 