|
 
- UID
- 1
- 帖子
- 738
- 精华
- 28
- 积分
- 14321
- 金币
- 2446
- 威望
- 1647
- 贡献
- 1394
|
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：
0 r# A$ j4 W7 y) \
% K9 ~/ U: N- R5 M5 H 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。: V; U5 V9 D7 \/ K' v2 ]/ ` i
4 S& S, Y4 {2 A+ e3 [ X# } 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。
( h2 Z7 L" X, F6 |
1 P! s( B; O1 q1 W9 g' {1 c 2、台湾，香港等地使用的是BIG5编码
& F$ r i& I1 `9 V
1 v3 c9 M6 Z' N0 g* U( i' { 3、日本：SJIS编码! A& T* s4 K7 j1 W9 [' F
" O' f1 P) X; Y0 u( }
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。
7 s6 D% {7 U# i: V. g
& s) t8 q1 y E6 u 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。; P% K; t* K- w$ {$ ~, q5 \: i
& q. S' A' {2 C& b8 l# Z Unicode的学名是"Universal Multiple-Octet Coded Character Set"，简称为UCS。 c' Z) b$ ]* g; Y! |
. e% c4 e8 K3 @# \ 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
6 S# ^! g3 r0 M) _0 }4 _5 V( Y$ ^0 d. n
20000-20FFF - 21000-21FFF - 22000-22FFF - 23000-23FFF - 24000-24FFF - 25000-25FFF - 26000-26FFF - 27000-27FFF - 28000-28FFF - 29000-29FFF - 2A000-2AFFF - 2F000-2FFFF
6 v! B; L& j) P7 M1 ]. g* W% G5 \. ^4 x
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。
. r' h3 M4 v+ I) s( q3 b4 {/ N5 X. L# u
什么是codepage?codepage就是各国的文字编码和Unicode之间的映射表。 ?& W. ?! ]( K* Z
" ]3 S" E- V$ _6 R& F 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 ?. B' ]2 J3 e& X/ K8 M1 e; V6 @9 r! A& \! e5 ^' ~9 _
codepage=936 简体中文GBK
1 y6 o s9 l- s0 B6 D0 h
; m- j( ]3 f u+ M+ _# ~ codepage=950 繁体中文BIG5
: O+ @" k! X- ?8 G! N! j2 ~4 ^& R& t
codepage=437 美国/加拿大英语
. h& K8 x# c" @$ v" Q. z) |5 Z5 k" `2 a0 `( Z
codepage=932 日文, a W' S1 t M4 D8 G8 K
' v* U0 i, o: C' l) Q
codepage=949 韩文
/ E+ s. h/ w) N4 o7 t
6 f" D# r+ V8 C3 R/ m. u- z a$ o codepage=866 俄文
7 F7 @, u" C7 m/ ]& i8 s% w' o2 z4 M0 i. W3 {
codepage=65001 unicode UFT-8
( B! E8 Y& e4 z7 L- ^: C0 @ d7 |8 {* c' T' U
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。
- K* q6 f. Y0 O# i' @% S4 `5 u0 D6 p! c9 Z8 V; {: X3 i
从936中随意取一行，例如：' c4 z2 N4 ?6 Z* N; F' V
* K* k5 E( \, ?4 p
0x9993 0x6ABD #CJK UNIFIED IDEOGRAPH
s" O: W! e6 h. Z: D, Q5 d5 V" m3 m
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。/ v; J: r, [9 v- N
0 ^4 y% T2 P, M. j x6 b1 { 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?
- h8 p! \+ a5 ]
' U, W* m6 J5 g1 j% f) X+ }' q 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?+ }+ s; {' Z4 j; [6 D! l; v
9 \$ @' p7 {5 n, A9 M' q6 N 例：: | t! |+ {, D0 E+ R& G3 Q3 j
- z. W* X2 k( ~& O. Z
E4 BD A0 11100100 10111101 101000000 q+ ?2 K0 T/ G: H+ r* i. y7 U
]/ t# H( L4 u4 i/ O+ u0 m* @4 }. Z
这是“你”字的UTF-8编码, h7 P% p2 n9 P# r' D
) i3 m: I8 G( } 4F 60 01001111 01100000
/ |6 i3 G/ P! Q) L1 d2 D6 f0 n$ h r! v* L* O: k) H; W6 v
这是“你”的Unicode编码, Y n$ \: J" d/ w. D/ M
m9 N! q! g/ a
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。
) |) ~5 d$ F5 i7 ]! d1 }2 }1 i! t: z( A4 Q' V3 T) T- f7 v
以下是Unicode和UTF-8之间的转换关系表：4 ^/ n( y" c6 B7 _/ `9 f
" y$ r5 [' {4 L# |7 s( l% s+ `
U-00000000 - U-0000007F: 0xxxxxxx
6 f# p- P% N" }) y2 U
8 I1 \" ~# b; e6 k n3 o U-00000080 - U-000007FF: 110xxxxx 10xxxxxx* c- r2 b" p$ F6 }9 w5 t
2 ]7 F3 C& K0 s1 R2 k6 _9 m, S
U-00000800 - U-0000FFFF: 1110xxxx 10xxxxxx 10xxxxxx4 X6 T; C: h, z0 x5 _
- k# m. [3 y6 o+ M9 D: z0 j2 G# } U-00010000 - U-001FFFFF: 11110xxx 10xxxxxx 10xxxxxx 10xxxxxx' O' ~- O+ s5 ~2 E
1 q- Q4 V: T5 I
U-00200000 - U-03FFFFFF: 111110xx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx
8 |" V5 Y4 j+ |7 n" ?
+ A% c, w8 w3 V- \ U-04000000 - U-7FFFFFFF: 1111110x 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx
1 S% X( E8 @; [, t; I- o$ F
# O [8 g$ m, H0 O0 X 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
| 