|
 
- UID
- 1
- 帖子
- 738
- 精华
- 28
- 积分
- 14249
- 金币
- 2415
- 威望
- 1647
- 贡献
- 1363
|
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：- |. K2 \) i& M3 y6 n$ k0 m( y
' S# A1 ]0 S# R5 ^3 P+ y 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。$ p( m, x3 I6 k2 W. T
s8 w. ]- T% I& j( [" B
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。 ?6 Q- ~7 d2 u8 I8 N, e/ V' J
3 \+ |# T/ m8 f0 v 2、台湾，香港等地使用的是BIG5编码) {" y5 ]8 J, |1 F
% p6 O7 F8 f& O7 C4 r 3、日本：SJIS编码
! n8 e. u! s |1 K3 I" L' o" Z+ ]3 q. \8 e
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。
# i, M% P/ h0 q6 r+ Z3 p3 ? R: w7 Y
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。
2 Y. J; D9 ]; D; P0 X" M. U! I; s# M: O/ x; \1 K: b
Unicode的学名是"Universal Multiple-Octet Coded Character Set"，简称为UCS。3 N1 d5 j3 Z+ z3 c: a& Y
* |7 N; [5 O# f7 B% J
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
* s x: r* T6 |, ^% Z0 ?* \. s4 \) f/ D. R# G& T4 F
20000-20FFF - 21000-21FFF - 22000-22FFF - 23000-23FFF - 24000-24FFF - 25000-25FFF - 26000-26FFF - 27000-27FFF - 28000-28FFF - 29000-29FFF - 2A000-2AFFF - 2F000-2FFFF1 H! x# t% H1 U. h
' j+ e# h: l# Z* \7 L+ T B 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。0 [" P# v `, u6 A7 f) G* I
7 i, b- E) V- R J7 J- S# l 什么是codepage?codepage就是各国的文字编码和Unicode之间的映射表。
1 i: k/ V( h, E o1 r* Q- ~- }+ \5 g* h: M& r" U
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。
* Y P7 u& f9 |+ m! q3 n# _/ @% ^2 r) P( d. r9 z* u
codepage=936 简体中文GBK) Z/ J3 G q! a& ]' s( w
! _. d! W0 }" c codepage=950 繁体中文BIG53 n) s0 y! V7 D, u1 O
0 b9 \. q& p) A) Y+ V
codepage=437 美国/加拿大英语
* X) ?# ~* V* a/ Z; k# m+ Y8 S6 |* b
codepage=932 日文
2 R3 T$ c+ g; z- i& m* S& W' }/ c( y6 C' i
codepage=949 韩文. ^" |' X; r8 l- P5 l) L& f. j
$ r$ ?& ?) N; L' I. ^# K
codepage=866 俄文
2 m0 `2 x& w5 `4 c& M0 |- p/ u( h; u, K& B
codepage=65001 unicode UFT-82 \* L$ Y3 r# ^" `
: m( x, M# G; t$ C2 X1 f+ H 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。
- m7 ^$ F8 p8 |$ I d' Q/ q5 J* q5 W- y
从936中随意取一行，例如：& P7 M" T* [/ }4 ^$ L F6 v# p
% C9 x$ u. e! O 0x9993 0x6ABD #CJK UNIFIED IDEOGRAPH
- ` }4 H! j4 d* L, |9 \: v8 z2 ?- W. i+ x
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。. r. s0 _% q/ ?6 A7 K4 i2 f
3 t* h V4 X/ N* y0 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?5 F, l5 X- s! s! d3 g+ j# u
& a" Q; G- V3 K
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?) h3 o& H- P8 {" C
$ n8 }- ?2 f2 d# A 例：
( v4 X: i! t8 u. D% W7 d1 Q0 n1 m' U
E4 BD A0 11100100 10111101 10100000" ~5 p' h& b% j
; t. j0 _; s6 M( l1 L% l 这是“你”字的UTF-8编码
" B( ~, F5 X e6 k
7 o2 g. U) [7 Z: H 4F 60 01001111 01100000
; I6 c% F4 c) o g/ I; [+ k, d! D3 `1 E- O2 H4 Y
这是“你”的Unicode编码
: Z! J- l; ~" V6 @; H. F- v
9 B4 }0 S: j# z' n" X( u 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。( ?8 J/ D! S( U) q5 ]. `
& N# V( W/ \3 T9 Z, p# K( s* u( z+ u$ E
以下是Unicode和UTF-8之间的转换关系表：( s. ?7 k: Q$ v. ~8 y
% T- q6 W& A# y1 f4 b7 h U-00000000 - U-0000007F: 0xxxxxxx" G; I* L" L o" U0 }' l
- s, Q3 |/ w G! d$ X5 q0 U2 @ U-00000080 - U-000007FF: 110xxxxx 10xxxxxx
0 G$ \1 h$ I. P" W- X) g$ k$ j# z; T5 P5 [6 r2 @
U-00000800 - U-0000FFFF: 1110xxxx 10xxxxxx 10xxxxxx' B8 K7 m& \4 j0 F7 B
' c7 ^( ^8 q7 L6 q1 h
U-00010000 - U-001FFFFF: 11110xxx 10xxxxxx 10xxxxxx 10xxxxxx6 I* J- H8 {, }# U( y
; o0 A/ Q: o! a1 f' l
U-00200000 - U-03FFFFFF: 111110xx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx
6 o! ^, D" v! D3 B3 f) w3 h/ f- t# |, O# r2 v6 h& e
U-04000000 - U-7FFFFFFF: 1111110x 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx
8 `: R$ K# A* \- a/ H1 H3 C3 N. j
- z6 G0 X/ Z) G& G# _8 b& V 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
| 