|
 
- UID
- 1
- 帖子
- 738
- 精华
- 28
- 积分
- 14191
- 金币
- 2386
- 威望
- 1647
- 贡献
- 1334
|
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：: y1 [0 I* C% q
5 q! W8 K5 S6 N3 K 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。
1 y# s" z6 j: B* @: x! v* w' h2 ]1 f/ j C+ T8 _
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。2 N5 C. K. e4 ~. X: T) ?
1 G% z2 y+ C% A+ Q 2、台湾，香港等地使用的是BIG5编码
' ~7 F+ [; Q6 g: k# z2 j' A' L
~- [1 w/ v" w- S: \2 G1 S5 E w3 ` 3、日本：SJIS编码4 p9 ^ V0 B2 H' t/ b# I# Y- }
% c! |; ~! i/ C6 N: T0 {6 _% b
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。
8 v0 y* O( k. l( n! _8 d; t3 d! H. D
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。
& H8 J l0 E9 u" A8 X2 Z
2 K" t1 F. f \. o" m( @/ N Unicode的学名是"Universal Multiple-Octet Coded Character Set"，简称为UCS。3 y4 q9 s5 b% l' C
8 l' [& o* h, L6 _8 \" O
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
) y; Z s# ]6 v: @3 t
- h+ ], B Z+ S# |! j 20000-20FFF - 21000-21FFF - 22000-22FFF - 23000-23FFF - 24000-24FFF - 25000-25FFF - 26000-26FFF - 27000-27FFF - 28000-28FFF - 29000-29FFF - 2A000-2AFFF - 2F000-2FFFF
4 n% o2 m( `: X8 X- R! q7 I |7 a! T% I
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。! Q1 X7 y" L. C N: ~
5 p( A2 | P: K- l
什么是codepage?codepage就是各国的文字编码和Unicode之间的映射表。
& ~; N7 m- ` ^ f7 V0 _# M% c
9 t0 `+ z q+ [ 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。5 K0 {1 S+ \, d# `2 r$ D9 G3 V) n
% E4 I- Q4 ]& X+ F
codepage=936 简体中文GBK
: {' _/ U+ A8 R' S1 K7 r+ f; c; \1 J& Z/ g6 x, x
codepage=950 繁体中文BIG5+ b2 s1 d; I1 L0 \9 e0 I
2 h$ ?9 {$ y/ f' O
codepage=437 美国/加拿大英语6 M* Y7 J7 @5 X+ g- r3 V
, ?' V; L- f0 ?
codepage=932 日文) x' c' Y, I7 g" O/ @! ~7 q4 N
8 x' B. I, J( M' D; Y8 t; H
codepage=949 韩文
9 p6 g( F- H0 g+ X4 H/ [4 u% O) f1 c0 f7 e7 Z: s2 n2 s
codepage=866 俄文
1 ~5 m0 e: e5 s+ @* ^. g0 {+ Y0 q* W, L% g$ Q' |
codepage=65001 unicode UFT-8
9 P9 ^0 n$ G& R9 M# l6 M
5 G5 T2 c8 y" W; e1 d5 {. l 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. {. ]; f. z# {4 b. p
) U" g4 _! C# K# { 从936中随意取一行，例如：
6 B4 V' i3 ?$ r( e8 r# L
M$ b Y0 O: Y7 Z' R _7 e7 b 0x9993 0x6ABD #CJK UNIFIED IDEOGRAPH
. _- z! J! y/ r L
; n& f3 T; k- u, ` 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。8 D% O( k0 Z/ _ G0 [
7 G" Z* m% P3 s9 s l
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?. N# |, m) U6 c4 w7 u8 w$ t6 k
2 I* S g) C. Y) v 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?
1 h* |0 @7 H) h7 u2 ^2 g
, m& c! _! Z' Y. H 例：
( a9 x1 v. q- ?! L! Y0 l) s# R4 i+ ^( N8 H7 u& r7 p, b( X) I
E4 BD A0 11100100 10111101 10100000# X4 y8 u, u! r+ \! _4 U: N- ?! U
( ]& }. F0 w& _. j 这是“你”字的UTF-8编码
6 |! [- j4 f* i* W
! ~5 G7 n; h5 G( p 4F 60 01001111 01100000; F0 E9 m9 U; t- H
. [) t- D! @5 X. v7 T
这是“你”的Unicode编码; a7 p- e; L" A& e; P$ K P/ M
3 O6 x }+ ] `* G% 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。
- u5 B8 [. U: y6 P: y- Q Z9 ?* R/ ^ a
7 C! [9 d3 z! H; p7 Z4 M8 t- T5 h 以下是Unicode和UTF-8之间的转换关系表：1 x0 q w @7 {2 B: q
# D; ~* A1 r1 u6 }9 } U-00000000 - U-0000007F: 0xxxxxxx$ U R+ p# x9 w0 T$ V
8 }- i: e0 e- u7 N) V* ]
U-00000080 - U-000007FF: 110xxxxx 10xxxxxx# H$ `* x6 d" A! _
6 G1 x1 w* M" L U-00000800 - U-0000FFFF: 1110xxxx 10xxxxxx 10xxxxxx
- u1 Y; x( C, Q3 B' u
/ ?9 C. I/ B6 |3 n6 k% B5 i; ^ U-00010000 - U-001FFFFF: 11110xxx 10xxxxxx 10xxxxxx 10xxxxxx
. T/ W6 u* A0 C2 x6 q V
4 ]( U' F4 p+ a5 U- W3 p" } U-00200000 - U-03FFFFFF: 111110xx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx
. A, W" I+ K! F: q# H y( \
`3 U4 d! ~* Z0 `- ]- G2 C4 [ U-04000000 - U-7FFFFFFF: 1111110x 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx3 Y5 J# @8 ?; x, C- F
) p# r5 l: ]- b: `
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
| 