|
 
- 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：
. D, z5 |+ v; V7 | a/ g, d8 U f) K, J! y2 g7 T7 |* w: z0 a
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。. ^! j0 q. J8 A! Z, n
% e `' {) D0 a
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。
, A+ K2 G- ^1 { p0 p; K) y( z8 ` p% w% c- i; i% {) s. D* L
2、台湾，香港等地使用的是BIG5编码
: `- R4 t. C# P3 ^& p2 b2 j0 m0 V" l. M
3、日本：SJIS编码
) v/ r! R2 ?9 p! e3 L4 a1 m! m* ?) X) z9 J7 u! M0 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。
3 i8 I! F- n4 D1 c( Q L
% R0 @, }$ y# g 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。- j9 Q3 G; S ^; \9 J. N2 C) e3 ]1 o0 w
5 S7 c* \2 n; O* y( b! }
Unicode的学名是"Universal Multiple-Octet Coded Character Set"，简称为UCS。
$ }: x; k% @6 m! Y% t }6 H
' Q6 M" ]9 `0 _& F; x 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 B% r7 t: S" V
, z! i( `- _; y6 Z/ V 20000-20FFF - 21000-21FFF - 22000-22FFF - 23000-23FFF - 24000-24FFF - 25000-25FFF - 26000-26FFF - 27000-27FFF - 28000-28FFF - 29000-29FFF - 2A000-2AFFF - 2F000-2FFFF4 P3 r2 f0 E) y; s* T- Q' k8 P/ e0 D( A0 j
z1 B5 B6 u3 C. g- ^
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。" N# f) t" n8 I* [2 P5 q# y
, V+ a1 D2 a4 P* \# j& H2 F
什么是codepage?codepage就是各国的文字编码和Unicode之间的映射表。
H% A3 h( I# ?2 b
& M: p: H) Z6 r5 L9 [ 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。# w. C7 |# D: S5 [ I6 N
" ~/ Z4 p' ~. ]5 ?, w
codepage=936 简体中文GBK
U7 ?8 q9 @; D" Z. }/ f
# x8 M, g F( u0 R/ L codepage=950 繁体中文BIG5
: S3 x0 q7 u( M) |: c4 C/ }1 A# b9 l+ A' b, _( j1 \
codepage=437 美国/加拿大英语
$ f7 [2 F$ `9 E! B3 a: @& x1 ]; H5 i; M) [. V+ ]0 Y# {
codepage=932 日文
: z2 X; b$ x" b* d0 R5 r8 C3 f9 M, q; N, O" Q/ A5 Q, [4 `
codepage=949 韩文
: u, O' O: K( @- V& A. E+ l5 O* }( @% L* q p' C
codepage=866 俄文
' {4 [/ U1 z9 L( @2 d5 _$ U/ L$ S
/ h4 |/ J3 I* E# X+ i8 a codepage=65001 unicode UFT-86 q9 h' [6 L1 l/ H& _- `3 N4 A9 u8 W
" m8 v! f" C9 P% D8 f3 G# K 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。
7 y; j3 m3 q1 y: F3 `% i1 h& j, T q, M/ }
从936中随意取一行，例如：' R7 Y4 e3 D5 m) n% u j; R! e
8 D! F/ L* E: ]: j4 v2 _) H' Q
0x9993 0x6ABD #CJK UNIFIED IDEOGRAPH
# L9 O2 s) G7 _1 \/ p+ l0 J
: G6 |& d( C5 R) w) ?) 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。
5 R# J, }! [* g! {( ]+ z1 A! x
+ u5 T. X( r. R! B8 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?
. f C9 |* q" p% E# c% v1 P
* K) e3 X" c; g4 h( j9 }/ q3 e 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? X0 h, k. W( U1 S* j4 Z
6 T9 P! ^, n: } N6 a9 I8 B0 a
例：
$ |1 r/ P( j8 z% w4 H' x9 k9 ]! r# F- [
E4 BD A0 11100100 10111101 10100000
2 v* Y2 C# o1 _1 r4 F" |# D' }" e- v2 H
这是“你”字的UTF-8编码
1 r0 _+ q* S" B. U" }. ]( k/ Z1 ~3 Q3 F W$ A* \
4F 60 01001111 01100000. m) z2 H( X" P/ o' f8 u
; Q x( O. ?) \1 y 这是“你”的Unicode编码! x- C$ J* |5 E4 H
8 l& C4 [( U& r& P 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。, |! U# ~2 k- _9 ^6 g- V0 t
* N5 u- \. n; X+ b3 c1 t
以下是Unicode和UTF-8之间的转换关系表：
) t# K6 j& q4 b8 L4 h+ o1 |6 S ]7 b% c, l% |- X' N. K
U-00000000 - U-0000007F: 0xxxxxxx
+ N& r2 a5 v! D2 a' \& p; j0 w
; F7 T6 H7 S% ~. k U-00000080 - U-000007FF: 110xxxxx 10xxxxxx) p# t3 J/ g/ N3 q! O ?
/ d5 c+ O( Z6 Z( e8 Q/ F U-00000800 - U-0000FFFF: 1110xxxx 10xxxxxx 10xxxxxx. F. k( O! L# W' o' ]
. @/ `! c0 i6 e3 |0 Q) P9 d5 ^7 x! T
U-00010000 - U-001FFFFF: 11110xxx 10xxxxxx 10xxxxxx 10xxxxxx( D) m4 \" g) f% K9 M3 X0 E
+ C0 }, B' s0 R) J3 u
U-00200000 - U-03FFFFFF: 111110xx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx
% z2 N' Y H$ t! C, e2 g7 P$ _- L" S# V$ v0 v1 B5 Q
U-04000000 - U-7FFFFFFF: 1111110x 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx" |/ Z3 ~" K' E' A; w
! a* @( [9 T: r8 U2 x8 R7 z$ 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
| 