|
 
- 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：
' @/ b. j2 g9 Q8 L. U0 ^, p) O; r5 X" B w& A8 h; J) 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。
+ d* |$ N5 u& H# p$ U
7 o1 O: p' F5 e; x1 |, G7 @# l 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。
+ j) T, a% w& k3 B2 Z' m N8 v3 G0 p7 {' Y+ d7 n- G: r
2、台湾，香港等地使用的是BIG5编码
) m/ K% p S% l: T8 \7 r: e9 u$ `! d2 O, `, @2 R8 P
3、日本：SJIS编码
3 L7 R0 h2 P& }; j1 v& q7 }' M) b5 ]# G) z9 \8 F
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。: Z4 m2 z u2 M+ ~/ [# R
2 h( a5 e( A p9 B5 i! o) D2 o 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。/ T6 C4 y6 Y% |6 t m' d/ {* T N6 I
; a, @2 m' i% ?. O% W, r" f% q Unicode的学名是"Universal Multiple-Octet Coded Character Set"，简称为UCS。0 ?) c1 Y& O' o& ^+ ` F' S
9 e! o( m( ^0 C& C! r
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
: V: z% Y. I4 A7 \* v- \5 ]2 Q5 V4 H W2 Y
20000-20FFF - 21000-21FFF - 22000-22FFF - 23000-23FFF - 24000-24FFF - 25000-25FFF - 26000-26FFF - 27000-27FFF - 28000-28FFF - 29000-29FFF - 2A000-2AFFF - 2F000-2FFFF
; R6 C- q! d3 d6 b: o7 O, k3 B3 ^# A6 w, Z1 \1 b4 ~
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。
& }1 _. L; [- f8 q1 [2 f
7 G' w& O% K" \3 Y8 p5 G1 c 什么是codepage?codepage就是各国的文字编码和Unicode之间的映射表。/ I0 B# w5 D+ |: Z% ?
7 ~( c# W) K: x% ~6 N 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。1 e u- m( ^8 O, f7 M
: b o0 O. n, r codepage=936 简体中文GBK
8 D6 T3 v7 w0 S' q) N: ~& o; F& \* X7 ^, c
codepage=950 繁体中文BIG55 ^; b8 p F/ ] a
1 L8 n. L& X& k! Z codepage=437 美国/加拿大英语. N9 V- Z9 b6 E# D; J* E/ [. V
1 }9 O, |" E9 A7 V6 z
codepage=932 日文
: N* |1 k# R q9 l( q9 |2 A
- W( @/ F% U! s' I* n codepage=949 韩文3 l* F5 T0 F/ R6 L
# P, \& ?0 b! f) z' U
codepage=866 俄文
+ `9 t8 z c& L2 H& _1 p, f7 c# _ L- c% c. S& s" a
codepage=65001 unicode UFT-8
% e2 D9 g* h' ^' B
6 R; T' S% [7 T# ?8 r Z, L$ c 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。( q& E0 O9 u" q% |2 d. X
1 ]: i2 i0 n* }& f* a8 f
从936中随意取一行，例如：
7 r3 L7 k! o9 k7 Z& i' B, M# G4 J* z! C% G9 Q
0x9993 0x6ABD #CJK UNIFIED IDEOGRAPH
8 Q& Y+ c$ i" ^* Y2 H8 c/ F9 x1 X3 w' J4 F! 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。% Y1 D, c8 H! z* f- V7 Q6 _
6 k5 Z- Z5 X) Y& [+ M) B 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?2 \% E8 [5 s Q# G, @- F
% N, j9 a# D6 p! h
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?* O6 V" f3 m' K% t0 l* b' O) h* G% L
# m$ [! D L, |. r
例：
1 f6 X: W- A+ h ~( x1 h/ m0 e \# A; U' B+ V2 V. V
E4 BD A0 11100100 10111101 10100000
" O" w# Q* Y* k6 {; ^$ k' d6 W5 m+ L' z2 E9 }" {" A# X: u
这是“你”字的UTF-8编码
+ W* f9 ~2 n# H0 D' K( K: x0 m9 c
i6 R8 ~. \- e, L! }/ r 4F 60 01001111 011000006 k9 C A( s) {5 K L `, r
1 H; H& E5 K( q
这是“你”的Unicode编码
0 m5 j4 E6 W5 ~9 F, _ ^; |* t; V2 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。
( h% U4 v' S, d3 Z$ |3 ~
2 b. w1 K7 M* I7 P" p+ Y! [ 以下是Unicode和UTF-8之间的转换关系表：7 n# ?+ A; P$ J! N1 R1 }- `) i
* l1 S; T$ F* y
U-00000000 - U-0000007F: 0xxxxxxx3 N; n; l1 F, H6 J1 o
: @( v# D# P, C) t( h. y* v8 X U-00000080 - U-000007FF: 110xxxxx 10xxxxxx! k1 ? u+ q3 v; ^2 t( A# P* H
# f8 R5 q+ t1 H
U-00000800 - U-0000FFFF: 1110xxxx 10xxxxxx 10xxxxxx
0 M0 C5 F. ~8 |: i i% @9 ^. ?) w% F- G* c6 p; h3 @& b
U-00010000 - U-001FFFFF: 11110xxx 10xxxxxx 10xxxxxx 10xxxxxx. r8 |+ _4 r* r1 B, S! i% O
3 R# t7 B9 ?* U) E U-00200000 - U-03FFFFFF: 111110xx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx/ a5 Q4 \" q& B& t! [
0 I* e0 I# W, R |# \+ P U-04000000 - U-7FFFFFFF: 1111110x 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx
" `: g4 g# B6 @; D7 v8 x* X: Z$ H0 L/ \' ~3 j0 f) @0 B: W: C2 F
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
| 