|
 
- 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：
. S% Z9 B( o. U1 J) Z+ a
3 }' h- _+ I5 s4 \6 b! k" O7 R$ n 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。
+ Y9 {! j- d- L5 g' M
% N! q V4 |8 K 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。
, b: t* O; v9 x; G
9 l: \' e3 C( `7 ~. m0 o 2、台湾，香港等地使用的是BIG5编码
4 D3 r' n+ H ^: J4 e5 G0 @
% R& {7 U8 o' D8 n0 U% W9 p1 j 3、日本：SJIS编码- E& z3 e. H+ W/ [$ W/ `& x, \
# u7 b( N* f+ y& 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。
0 Y8 x5 h# j* }* |: d: H/ B8 f A+ s8 }0 S6 `
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。+ Z" _) c6 `, y2 |
4 ^% E5 p* \+ }
Unicode的学名是"Universal Multiple-Octet Coded Character Set"，简称为UCS。
# ^: F' j$ `" P: `
/ w: O: S6 n! P1 [/ r8 T 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 Q4 r' n a% e. O8 M' j v
2 K1 \' l+ w& u 20000-20FFF - 21000-21FFF - 22000-22FFF - 23000-23FFF - 24000-24FFF - 25000-25FFF - 26000-26FFF - 27000-27FFF - 28000-28FFF - 29000-29FFF - 2A000-2AFFF - 2F000-2FFFF
' T* ?. F& C2 l/ l1 N E1 c9 O- E5 v* I7 V1 R' s" Y+ u
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。
, x ?: u) F3 z7 s9 B# t6 p3 n
! @% j P g2 B# P 什么是codepage?codepage就是各国的文字编码和Unicode之间的映射表。, R2 o% }6 E9 W
& H8 h2 @* @) t, _ d1 Y" I5 E 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。$ f9 A4 _5 t4 \; ]! A: H
" m2 y+ T* g/ d" m. l8 k, } codepage=936 简体中文GBK5 B e+ j6 ]4 J8 ^
" [; N5 z9 N& _- |( H, b. ` codepage=950 繁体中文BIG5
' e2 E. A% I1 g% n: J8 W: i( y' M5 ?: j7 Q% P# f
codepage=437 美国/加拿大英语
" Y! ]7 m) l$ j2 c3 i
/ }' l: q9 o7 T( X+ X9 G# { codepage=932 日文. Y1 f, G* M6 Q0 f; Z" ~1 Y1 ~
* z1 Q" t2 J. V% g7 D
codepage=949 韩文
. P# t: q5 E2 L: y* K( f( Z% p. O& D
codepage=866 俄文
% X* o& f" p# w$ C+ ^, N3 T' t% t+ z: [0 U2 e* t
codepage=65001 unicode UFT-8: e0 ~$ {3 V/ }( K$ X1 y7 Z
' \9 n i# l) V 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。
/ |+ F; O) x3 [5 {0 ~+ k F s E' G
1 R3 W0 Z& }# n+ |0 y 从936中随意取一行，例如：
$ Z' A; x2 Z, ]3 S, ^, b0 p; }
" Q' T5 c3 G2 v( G 0x9993 0x6ABD #CJK UNIFIED IDEOGRAPH' v8 l; [6 a# J% X7 z, w# D
7 c9 d" v3 z" m2 X+ B' g
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。0 L1 a4 \. ?/ U2 ?* Z! D
1 Y! D Q2 D$ Z: X5 Y
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# b0 k4 r5 j# Q# R
* l* A w9 |# y/ }* j 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?
( t4 G* q- |. p+ r+ A J0 }
8 f9 ~6 ^; Y- Q. \: K' F z 例：8 {% T1 w2 O* T- E8 ^( [7 l
- \0 ^1 k+ m3 o, z/ s( q9 ]% h6 \; n
E4 BD A0 11100100 10111101 101000003 F1 x9 v: U* U$ K# @- u2 z
0 `0 i$ c% i2 S& G a# P5 ~) w' s8 ~' v 这是“你”字的UTF-8编码
1 D/ A( p) z, P& @, g$ H z
* h i0 S- d0 l) Y% N3 ^) v M 4F 60 01001111 01100000' G- q1 b' C9 U! Y. ~3 j' V
8 w. d$ i! w* L' E& H 这是“你”的Unicode编码# B0 c2 d7 e; c. O
1 F2 O6 p$ Y- o7 ?6 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。
# Q) c. I X6 e$ O6 S! O4 J3 m4 U, ]* t
以下是Unicode和UTF-8之间的转换关系表：
( J2 A8 k; k2 Z; G2 @/ l4 l% b
7 }/ f; i* ^+ H, o U-00000000 - U-0000007F: 0xxxxxxx
8 ^+ Z' i2 o0 Z9 ?7 D) L, q8 c& G8 @' S" K5 r% o
U-00000080 - U-000007FF: 110xxxxx 10xxxxxx* I4 o+ |6 t( ^
7 Z9 k' J1 R7 {$ b! a. v U-00000800 - U-0000FFFF: 1110xxxx 10xxxxxx 10xxxxxx
, u- a/ Y9 l) ^5 [5 d+ v* N2 w$ D( k, Q4 e! A; c
U-00010000 - U-001FFFFF: 11110xxx 10xxxxxx 10xxxxxx 10xxxxxx
6 N4 j; B! I* N }# C7 R
' V% n v$ L0 u) P9 j8 s U-00200000 - U-03FFFFFF: 111110xx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx6 U2 S9 r* e2 G9 }0 H3 L* e" F5 ~
, j3 o+ ]2 M/ x5 O! ]* \ U-04000000 - U-7FFFFFFF: 1111110x 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx
+ @! T! m0 P7 l x. q$ a
3 f. J3 D$ {4 |- d0 c! E7 ?: A 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
| 