|
 
- 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：$ ^0 V. k5 D3 `8 B
# O3 Q) v# e2 N9 j% g 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。
7 d& E$ L4 @- c2 R R
$ j4 W3 R4 i- @# ] 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。$ X% w: W5 f! e/ [2 {- O$ g
! `& m1 z1 c3 r4 D6 R1 w. C 2、台湾，香港等地使用的是BIG5编码
$ y! d2 c. D7 [% R) }0 |" h
' G1 ^3 n4 i* c' V" m* R 3、日本：SJIS编码* Z: {4 z6 s- X% e' ]
6 t1 `) l" Y4 a3 r% { 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 U' Y$ Z) R) u C
9 C' } l% z: l4 d. U* j 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。
x X5 l- l# t" g$ k2 H; v2 H% d/ r3 B
Unicode的学名是"Universal Multiple-Octet Coded Character Set"，简称为UCS。9 d# ?/ O: t2 _$ f7 o9 }
0 {4 x3 _" B5 J0 F5 l
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
- p2 {/ N4 e! I! q, E$ p/ r2 _9 K0 G" |9 k, W- 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
. x1 b( C$ [$ Y, @: s; D& K* x# x# X2 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。$ w- |/ h/ x8 J+ d& z' }9 o
3 ]' h/ x' [, T: Y 什么是codepage?codepage就是各国的文字编码和Unicode之间的映射表。7 g* N' G* b2 } u, A
4 U) c* _- ?- ^2 ]6 } 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。' g( q8 N6 U }2 L& @# @( \
2 K9 Y8 O/ ?/ E' L
codepage=936 简体中文GBK
! b& q+ Z: e# t3 ?9 U6 ^3 ~6 U/ w T+ I
codepage=950 繁体中文BIG5
g7 l7 [ E F8 P# {
0 z5 N F* |3 ^$ {8 V4 q' j codepage=437 美国/加拿大英语$ M4 m, x* M/ i; }
$ ]- r9 B y5 D7 l$ Y codepage=932 日文
9 @6 l$ ~9 v+ u$ J9 D b
# ~6 O: d, G9 c; Y1 [$ Q) I codepage=949 韩文1 V- n, j5 b6 L6 k5 o8 ]
* N2 _7 m6 V3 ~+ h: F3 `* X codepage=866 俄文
4 N" r2 K( I. U- J$ f2 H
6 L* L3 ^' ]7 K8 W6 C( D8 R9 P6 f codepage=65001 unicode UFT-8. t$ l7 m& o! B
* ?' Y0 V- n) Y+ G
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。
% E4 `9 r6 O) F- X$ e. m/ F4 }; F7 K1 y
从936中随意取一行，例如：6 q- P1 v$ K& C7 v5 T& b
* N9 x' H4 P# k; i8 x: b 0x9993 0x6ABD #CJK UNIFIED IDEOGRAPH5 v4 J" U9 R$ P2 }( e3 P( o+ ?
& j3 q, x4 N1 m* ?4 O 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。! a, f: s: Q9 o4 U
6 e% e3 m$ G' F 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?
+ P! {) `' T V6 B' d7 r7 A1 d* U/ n& L8 H6 u' ~* E" R
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?; C: n. e- N/ y7 w6 h8 Y! e$ r
5 v2 L0 [- n. l# b5 M 例：# A4 u+ Z3 L V2 p% X6 u- @. d
8 \6 k) e, H& }7 O$ [. | E4 BD A0 11100100 10111101 101000005 Q; x- ~1 [- {- ~$ J: }$ b# r
) i7 J; ]* ^% I; Q 这是“你”字的UTF-8编码. [3 B$ }8 A: E5 Y. T+ ~
: H$ ~; Z9 w) B+ Z+ J
4F 60 01001111 01100000* |; v2 |# n% j. x1 [. z
+ \0 Z3 E7 I6 j7 B3 S
这是“你”的Unicode编码
F5 B1 {! o! s. L! n- {( X' C4 b1 q/ F# _0 G
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。6 l# a$ G0 v W2 n, E
7 M# n, j& H( |8 k2 u7 p# z
以下是Unicode和UTF-8之间的转换关系表：7 d: h; B" ]- n, v
' z. e8 [/ t) w4 [+ u8 P. j% {! ^8 P5 L U-00000000 - U-0000007F: 0xxxxxxx5 G0 a) }- z' L7 W1 O, B* X
4 l, e0 O$ a, Y) w1 B; @
U-00000080 - U-000007FF: 110xxxxx 10xxxxxx
" ?- [$ a% m0 u1 S( r' `
, ^8 s8 I% }9 c+ F2 b8 M U-00000800 - U-0000FFFF: 1110xxxx 10xxxxxx 10xxxxxx
6 e9 e% S5 ~. M9 D, ~7 p/ v; M% K9 b6 `" f
U-00010000 - U-001FFFFF: 11110xxx 10xxxxxx 10xxxxxx 10xxxxxx
/ T% `# h. J7 R" S* H* m6 ~7 N2 N9 t$ A# G( k5 @
U-00200000 - U-03FFFFFF: 111110xx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx- W; F; @' P) o' u8 J. [
) g0 Q! X8 Y7 j4 [: p( Z4 H8 H U-04000000 - U-7FFFFFFF: 1111110x 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx
1 G* n0 j& a. k p6 ?6 F
+ T& }0 P) j }9 r 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
| 