|
 
- UID
- 1
- 帖子
- 738
- 精华
- 28
- 积分
- 14161
- 金币
- 2371
- 威望
- 1647
- 贡献
- 1319
|
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：$ a/ y) A3 [7 ~3 G" @# w
/ o0 u) X( b/ Y; K9 I2 S
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。
# I+ y1 @- t. O) t9 k/ q, J
* a4 S* ^9 y9 b( F. V8 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。) \. \) \0 @: D% O9 f( z- B
3 m2 S0 @3 H n2 }. Z$ T' u 2、台湾，香港等地使用的是BIG5编码
& [- B! [3 \7 U& Y' L7 z t3 d R" H; H' ~
3、日本：SJIS编码
& X4 Y3 Z4 r: ]! P2 h. a
( U5 Q( s" D# K9 i7 K 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。6 z6 d7 _- |' c& k- b/ q
$ [. \2 ~$ [ }, v0 D4 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 c: u3 r* t F; \1 f
8 O/ _% [$ S! D& _) j5 |2 w Unicode的学名是"Universal Multiple-Octet Coded Character Set"，简称为UCS。
: [) j% O- x7 @4 u7 ?! x
/ X" L. x4 M8 l2 B2 Q% P; Z7 Q 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% n# X4 x* l4 H, E
* e' a& u; n* M* w 20000-20FFF - 21000-21FFF - 22000-22FFF - 23000-23FFF - 24000-24FFF - 25000-25FFF - 26000-26FFF - 27000-27FFF - 28000-28FFF - 29000-29FFF - 2A000-2AFFF - 2F000-2FFFF
9 [7 R: x( X- ?& S1 P# F9 z+ P( L* n9 Y _
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。
9 k1 \$ x. p: H- H* C6 R; r$ W4 U1 q# K" f! m" ]+ @$ t1 x
什么是codepage?codepage就是各国的文字编码和Unicode之间的映射表。
$ ~9 w0 I& k/ R/ l1 v% G5 @0 q$ s: b! p/ o
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。
! R9 R+ h. }! {- d& d* u
; L/ n: I* _& O1 r codepage=936 简体中文GBK
3 f& b9 \, V" G9 C3 b8 A
E) t6 b& g: E0 |8 e codepage=950 繁体中文BIG5
* E, D' d5 ^! q$ h" ^2 y2 I( b" E
. w* @# z- s; L" A9 U6 l codepage=437 美国/加拿大英语
2 z5 V) { T# r/ I
4 E) V! A, ^. L0 h codepage=932 日文
" j! q7 x5 `/ W" S0 O+ d/ k; p6 o% u1 L: }( R
codepage=949 韩文( }# h; Z8 S& l& X
8 ]+ ^/ @6 R/ A# W codepage=866 俄文- O! }& J! \/ L3 u5 U1 G- Y
0 A% e9 h- p( X codepage=65001 unicode UFT-8
$ w1 W0 W3 i1 i3 {5 h i4 A# h% F8 j5 z: `3 T8 T) U+ S
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。
7 `5 {6 f( J+ m) l1 g( z8 C" \; O* a
从936中随意取一行，例如：
3 `3 x# V8 y* i3 Z
( F9 z3 W0 D6 z8 i 0x9993 0x6ABD #CJK UNIFIED IDEOGRAPH, C" A! _3 J {+ t; K5 v
, g" R+ S9 O. @5 j- D; Y' j
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。
5 P; m4 Z. x0 }+ Z/ P4 m* ^+ j; }3 X1 p% | v3 b6 O$ P t0 P" k
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?0 L C' \- i+ N) a8 |2 n
& z9 w5 F# ?! k. C7 x" U 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?
+ ^& |+ E% N, n4 H+ r1 d
' g8 T( O% w& q4 J 例：& r, P" Z. P8 z4 ?5 t$ F7 l8 F1 v
7 t6 R2 X0 a: T4 g' e8 Y E4 BD A0 11100100 10111101 10100000
7 K: ]; y; q5 `/ O0 S& R6 u$ T: d1 {# v# R4 n) u- A
这是“你”字的UTF-8编码8 y: J3 W- `3 c# q* I$ d1 I
% u" S/ g* T7 q8 T- i- H) }
4F 60 01001111 01100000& D7 |1 R+ X5 p3 P& U% s
, R& x1 ?% B. E6 @& f 这是“你”的Unicode编码
! A" [8 I: c% v4 K ~# ^
l& `# \$ h( r& p. G& u+ [: t 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。
- ~( N2 Z3 o' N
9 R! K& c4 g' @3 @8 G2 b: J4 _ 以下是Unicode和UTF-8之间的转换关系表：3 [/ v, L: A4 b3 |, S; g
1 b" R. r5 U+ s% X" |5 q
U-00000000 - U-0000007F: 0xxxxxxx j0 \. S- U" G. k% _$ h
4 B) ~* W* K( q
U-00000080 - U-000007FF: 110xxxxx 10xxxxxx
3 z8 a( s# v! E- Q! A5 @; z$ Q
# W" K: V1 X( v U-00000800 - U-0000FFFF: 1110xxxx 10xxxxxx 10xxxxxx8 m. N% `! ^$ s8 ^) [) E& n3 Z
1 G$ g' @# B" |3 _ n$ S U-00010000 - U-001FFFFF: 11110xxx 10xxxxxx 10xxxxxx 10xxxxxx
9 ~. |) y9 b6 g7 X: b
+ e: n6 R& V$ j' J7 n U-00200000 - U-03FFFFFF: 111110xx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx$ b8 S6 @3 H5 v5 m! M
* n( s. D9 m* ?7 d* g: M U-04000000 - U-7FFFFFFF: 1111110x 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx
/ w; }) \7 ?* a$ c# }4 f7 S
; G7 p1 x) d H6 M, \$ C3 ]2 S: o. a0 D 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
| 