|
 
- 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：
( w$ N, b; `7 O& }4 N6 `3 v8 W' v* [# t
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。
" p6 q; Y3 i+ f( m1 r" |. D' D1 m, p
{$ I' j' ?. k8 @6 C! h2 O: ~( s 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。" `* [5 v/ e, d& r( L$ k
% Y* z# j. Y% r) p6 {( y3 c! b9 C 2、台湾，香港等地使用的是BIG5编码
$ Z9 r! L( J$ l1 ?3 g+ C; g) e% I) X: ^' I7 h
3、日本：SJIS编码1 N, Z0 g3 x! i W7 J7 Y
8 G6 p O. g! I' _' {# R& `) K 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。
% }5 n' f* p4 A1 H9 p4 e- q5 L/ L' k2 ?1 Y6 u t) 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。
" [3 h; T; `* Q: L9 L7 M
4 d" f9 K4 s& A- M, J Unicode的学名是"Universal Multiple-Octet Coded Character Set"，简称为UCS。7 U- L- U+ o- o& n+ E! f* b4 j% o
6 N% C+ N8 F: m% N& f! n 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
4 N! B8 Y3 `4 d# @, b
: N. C9 _1 Q4 e( {, G! P; a 20000-20FFF - 21000-21FFF - 22000-22FFF - 23000-23FFF - 24000-24FFF - 25000-25FFF - 26000-26FFF - 27000-27FFF - 28000-28FFF - 29000-29FFF - 2A000-2AFFF - 2F000-2FFFF
: a" e4 N7 m) |# r* K+ m2 p
" u3 H" _3 m$ j4 p! W$ N 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 t- `! _3 x+ _5 h) W) `* W0 u- B( N7 C. h# G
什么是codepage?codepage就是各国的文字编码和Unicode之间的映射表。
8 `2 X# z% q7 J& q
" E& C. v' g% @: M' ?( {. ]5 _ 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。) L# N9 X7 O! r( ]4 n
7 v( G2 A0 Q3 {5 B- h3 d codepage=936 简体中文GBK" F- f1 Z& r& ~" m
/ K' p3 X+ Z6 R
codepage=950 繁体中文BIG5; k p8 b( H9 F" j# l
I& j2 S3 K6 ]. O1 W I codepage=437 美国/加拿大英语6 a* M+ e/ R( u
: p* O, N& b2 \# P. m6 o codepage=932 日文: ?5 q* ?7 F; M% G. s Q$ P$ E
g+ L0 q9 _& Y/ D, K) x4 q, r' h codepage=949 韩文
" i; S" p5 I$ u" T) ~/ q8 v
* b4 }6 G& ]3 C# D& u; N+ ~5 K- h+ [ codepage=866 俄文
; H- ^5 n% i" X( b( u' t! B$ M5 t
& ~; p$ o4 ~" z) o! [1 q codepage=65001 unicode UFT-8
; } c# I2 d- }
$ T6 W+ T) P. `, C: [0 m 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。2 \. @2 C. j/ C7 ^. I
6 h! _: T1 e9 f% Q$ @ 从936中随意取一行，例如：
: F H, z( ~, k: X6 g. Q. t e. h% c) j
0x9993 0x6ABD #CJK UNIFIED IDEOGRAPH
) u$ i# ]: I4 y( ^
% s& p! G& w# m# h; X- b 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 f' ]6 Y/ o7 o. W
9 _+ r. V Z8 P2 V 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?8 h$ z' ^9 G5 O
) Q5 w A+ Z: p) S. M
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?
+ r' l3 K2 Q5 T2 M% d! B- U
1 H% U, w; \, r( T- J, N6 }/ m 例：! W, O! t5 s9 t( F" l
x" b! s5 f0 E( `$ r4 G E4 BD A0 11100100 10111101 10100000
( \: h' S2 U5 Z$ r
1 m! ]- a# _0 n 这是“你”字的UTF-8编码; Q: b3 m8 V9 K9 c- Z, e
' o( f/ ^4 U; O. o
4F 60 01001111 01100000
* L/ T( ^* S" ?" Y& l& P
8 f1 t9 _6 }( y, C: I/ q3 ^ 这是“你”的Unicode编码
9 n8 A! [8 l; f/ e8 J0 ^+ L! g" I' Z" N, l
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。
; U4 {& E; B* y' h* p
2 T7 `9 y0 Q3 D6 o1 d# S0 z$ v0 o7 g9 K 以下是Unicode和UTF-8之间的转换关系表：: f& _1 r" V, ?3 A
$ @, d3 U. b1 I# d* } U-00000000 - U-0000007F: 0xxxxxxx, d$ G3 l! \0 ^# S5 d* l
" Y7 R! ]: b: P! l/ L4 w
U-00000080 - U-000007FF: 110xxxxx 10xxxxxx+ T6 x" z3 @2 ?0 i! u# l
$ ]5 c( m. a% g) H; b9 H! G U-00000800 - U-0000FFFF: 1110xxxx 10xxxxxx 10xxxxxx& f" I0 v2 h2 X+ g/ b- `$ `
Z4 z$ L, y7 b. \5 m/ \6 f2 |
U-00010000 - U-001FFFFF: 11110xxx 10xxxxxx 10xxxxxx 10xxxxxx
% ?8 b1 S% N: g; ?# \
( w. n6 i7 M$ J' A! C U-00200000 - U-03FFFFFF: 111110xx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx
* h# O0 v- |, M# r r, w- ]* V, ^0 @, p& K2 y# V7 e
U-04000000 - U-7FFFFFFF: 1111110x 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx! A$ p! M! s4 V' x0 w
1 V N9 M, \( S3 L6 @7 N" |
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
| 