|
 
- UID
- 1
- 帖子
- 738
- 精华
- 28
- 积分
- 14325
- 金币
- 2448
- 威望
- 1647
- 贡献
- 1396
|
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：7 s2 X# `4 f# o# T
5 x d$ A1 B1 B( G9 c4 B
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。3 j- l- r9 J3 J+ q2 P& q0 d, J2 F
+ ^2 s7 n1 o1 { 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。
- b8 _+ w7 \. Q1 r& i7 R# D4 u H, U9 B" N3 P6 |
2、台湾，香港等地使用的是BIG5编码! m" {3 q0 x1 h' L% \
8 T8 w6 U: g: L0 N O, `5 ` 3、日本：SJIS编码0 P2 b# e0 M4 ]1 I
% W) F8 @6 M7 E9 o9 n: O4 e* a 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。
& H8 E, |$ n8 X! v2 [5 H8 U# u' e9 m2 a& H
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。& N4 p B5 E9 J g) g
% P% w( p) O0 \( c# o Unicode的学名是"Universal Multiple-Octet Coded Character Set"，简称为UCS。
, y/ _2 T( S3 ` R
S1 o' `7 r: _7 z" M 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 v$ [7 W) m* a& `: R3 u" C% Z1 x* d
- Z$ |" W, }) i& k* G 20000-20FFF - 21000-21FFF - 22000-22FFF - 23000-23FFF - 24000-24FFF - 25000-25FFF - 26000-26FFF - 27000-27FFF - 28000-28FFF - 29000-29FFF - 2A000-2AFFF - 2F000-2FFFF
8 E6 F$ G$ c% M( y
* P5 f' E6 g6 ]4 Y, |( K 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 y# j# L! g r& H2 u$ X7 u" N* R9 o' x0 |- R( v
什么是codepage?codepage就是各国的文字编码和Unicode之间的映射表。
! \1 g- t$ p0 |) b9 n$ p" ] R6 y0 X8 H+ n8 v0 J
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。
) c: h! m2 A% l8 ?- p* V! e$ h
k$ I2 }# L1 b |8 O$ Q- ~6 @ codepage=936 简体中文GBK
4 d6 J, f* D) C# D; i' C! E6 E2 w
^2 ^$ _& ?0 Z' Q9 ^ codepage=950 繁体中文BIG5
" R2 O' |8 ` Z9 L% @3 i1 ?) j. T$ _" j0 c1 M' K9 m/ N; p
codepage=437 美国/加拿大英语% L+ p8 L7 ]) h: K0 ~9 p
* i) l1 @( |/ W5 M codepage=932 日文) V! H( x" f+ p% a, T2 ~: F
+ ]+ q, x+ |- h4 d* |# k5 I# @) g codepage=949 韩文7 ?# y" R2 v2 ]% f4 q1 }* C
* o O m6 b) d7 G) O7 ]4 ]; D
codepage=866 俄文, E0 z" I t5 b9 p( ]+ f
, D+ a/ a% n9 l3 I- p codepage=65001 unicode UFT-8& Y; U; T. Q" _: A. X; y7 t
# w0 e8 N: u/ d6 `0 N7 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。& @: G2 W9 H) e7 C
, C0 C6 h4 w4 j. ^% C5 |9 A 从936中随意取一行，例如：5 L% ^ X5 v5 Q' N( i7 [- W* j0 y
! s6 O- M3 Q+ i+ |0 u
0x9993 0x6ABD #CJK UNIFIED IDEOGRAPH+ V; p9 Z. _ H( Y4 y
9 k" Q) R1 I! R. z# J/ T+ Y 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。" ^; L3 E$ V# u& |
2 z, `# L5 q4 H: S! y* I% j* Z Q
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?! ^4 r! |* z! i! J+ s
/ ]1 \& Z, t1 C
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?, t; w& N3 z# o# X: l5 ]
. s% M+ A q' H! w 例：
) k9 f) L8 S6 Y- a+ o6 t7 b; w* x( L1 b# L
E4 BD A0 11100100 10111101 10100000
% ], A! d) ^9 N2 {$ z0 {/ c
. f- r* x+ P( Q& g 这是“你”字的UTF-8编码% O+ T4 U+ o9 S% z: p7 R
0 t2 ^0 H0 A3 o- d0 ]4 A. ^% o4 b3 P 4F 60 01001111 01100000
1 u) @- T0 k p1 L2 L" V, R- i
8 X0 D0 i6 i, R( S' @ 这是“你”的Unicode编码
: v$ F2 @' ?( H6 N+ l6 |" T" H" [: A+ N+ c. }" y; R
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。
0 C$ X9 a0 w% ^$ w8 f0 j6 t8 L% Z: c) o$ e& F; X9 b( Q, y
以下是Unicode和UTF-8之间的转换关系表：
, m4 L v0 m2 L3 C7 d
/ |$ S/ Y' p1 [! h F U-00000000 - U-0000007F: 0xxxxxxx
; W2 c9 _8 U1 ]. d+ o9 u' E$ A; [; J& v r/ d, ~! f0 h
U-00000080 - U-000007FF: 110xxxxx 10xxxxxx6 A) Z5 S G: ^: i9 a; \
* Q3 L4 P9 C6 _- ?* i0 q1 E+ O
U-00000800 - U-0000FFFF: 1110xxxx 10xxxxxx 10xxxxxx
$ N" A4 W9 n7 X c
( x4 D7 d: _* s- @ U-00010000 - U-001FFFFF: 11110xxx 10xxxxxx 10xxxxxx 10xxxxxx
* {( E& V" J7 u* T, x
& C$ @. u; Q: m) ^ U-00200000 - U-03FFFFFF: 111110xx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx6 p- m1 d5 E4 t R% m
/ W$ \% M; ~2 d R! f
U-04000000 - U-7FFFFFFF: 1111110x 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx: z% y: D5 V2 q0 k, n, G
( m0 y: }+ ~' X* M- w" @ 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
| 