|
 
- UID
- 1
- 帖子
- 738
- 精华
- 28
- 积分
- 14443
- 金币
- 2507
- 威望
- 1647
- 贡献
- 1455
|
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：
8 |% e( Y0 B4 I) Y3 Z) j8 |2 `
8 K. W3 m1 m' N2 N2 @: X! V 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。* R/ }: f; H( K5 p3 {) [3 r
& R G) v' `: j0 k8 A 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。
1 f$ i7 @& |3 v5 n2 f9 e1 ~* J' K) T, D
2、台湾，香港等地使用的是BIG5编码; w# [( {- ~) C$ t# \8 K
3 V+ ^* N3 u/ T! ?5 J 3、日本：SJIS编码
9 N' }; L# t \8 c4 H. V/ w& O$ ?$ C. m/ f$ j; h
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。
) N2 z1 ?7 P3 m: A0 k$ W4 r
5 I5 X7 P( W' `5 i" ^2 m4 V 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 j9 z! |0 x' K% G2 [- D- o% f, j# |( U9 I, V
Unicode的学名是"Universal Multiple-Octet Coded Character Set"，简称为UCS。7 A$ b- G+ ^" a2 @( }0 Q
. f& d0 c, y( B; a
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# A8 p: F) v4 f B, K
# t5 j7 @+ n$ R" S$ a
20000-20FFF - 21000-21FFF - 22000-22FFF - 23000-23FFF - 24000-24FFF - 25000-25FFF - 26000-26FFF - 27000-27FFF - 28000-28FFF - 29000-29FFF - 2A000-2AFFF - 2F000-2FFFF+ _6 \- Q9 x, i
' o3 L9 g5 z6 v# _2 q; I% F 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。( s( Q' h7 X% B! g8 y( B( D& K% C: |
+ x! n' V, J3 m1 h- K% {$ K 什么是codepage?codepage就是各国的文字编码和Unicode之间的映射表。
+ k( C5 j1 b. o F' k/ x; }
% t0 Q2 A+ z! m) P 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 D" \0 H, O4 C6 c! i, m
8 _; t+ i+ n7 }1 A
codepage=936 简体中文GBK+ [4 W8 O! h: {, s$ V
" L5 e" c8 R! Y* A( D5 }" C( k codepage=950 繁体中文BIG50 n( R- ^, b% ~0 ?& J
, e. ~/ [' g3 ?( z+ N3 q" q codepage=437 美国/加拿大英语
# Y, o, V" P# Z: ~
' P5 j) k* l# h' N# r+ t2 g. l codepage=932 日文
7 P# Q: Y1 U' [
% w) t- U5 T/ M codepage=949 韩文) s: t# M+ K3 i/ E/ H4 [/ i
0 i, N( R" b' c7 h7 B0 t3 O codepage=866 俄文
) T7 ]& H2 u/ j, x ]3 {. _, J* w) q, P% H$ m: ^
codepage=65001 unicode UFT-80 t. Q4 f4 \! g3 X& u3 m
2 v9 ?4 W- W1 [! z* K. h9 P3 W: Z 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。
; r0 o/ \3 w- J) Z: @9 l; r- h8 a. Q, z. E1 e1 P) M3 b% k& o
从936中随意取一行，例如：9 h, Y. P! A8 u1 W/ E
( V: u2 o6 s) Y0 B( ?! @/ C7 @8 ~, c3 ^
0x9993 0x6ABD #CJK UNIFIED IDEOGRAPH7 S3 X! a3 I7 n# |6 l5 g
* @5 i. ?- R5 l) @ 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。9 }4 X; @& ]3 `' G" e
/ a4 o) s( }8 b# z, v
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?$ }3 z0 `* B) c+ `3 m1 v
6 j' j2 Q' s6 ?! z! s } 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?
7 C4 u4 Z" `) d/ e5 w: q/ Y# g9 L6 T% D! ]7 [0 @. ~) a X
例：
" h! ?9 O, T N4 L
' \' v3 y. \; k7 U3 }3 g E4 BD A0 11100100 10111101 101000005 P* L7 e5 q7 b* M+ v2 B5 ~& k
2 v j% {% U" Y* @2 y 这是“你”字的UTF-8编码. F' w0 z2 C* V8 O6 R5 y
6 [( n1 l e0 ~, N% v6 Y2 m 4F 60 01001111 011000006 @6 E9 o+ K) ]5 Q- g, a. g
; J2 v. r4 q- v" W 这是“你”的Unicode编码
+ O, Z! [5 \- z0 Z/ p) r X N4 |' U0 p
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。1 X% W8 [1 z$ X: ]9 a- w
! e. _+ b/ `6 U4 M8 o3 n 以下是Unicode和UTF-8之间的转换关系表：
t5 C- O+ ^5 Q' f4 V
0 P" V6 B) g" H" P U-00000000 - U-0000007F: 0xxxxxxx2 p0 t7 |: f) F- N+ U
: j+ \+ P M8 ~+ n U-00000080 - U-000007FF: 110xxxxx 10xxxxxx1 K, ]0 X \8 y2 N" T6 F/ y: W
' K: u% F9 S6 s; R" {# m* @
U-00000800 - U-0000FFFF: 1110xxxx 10xxxxxx 10xxxxxx
3 N1 g+ j1 Z4 o9 g' h( i. J; {; F. |$ H
U-00010000 - U-001FFFFF: 11110xxx 10xxxxxx 10xxxxxx 10xxxxxx% X* L$ B0 _; g8 \% S( t
" b3 ?8 R# A' h6 P, z
U-00200000 - U-03FFFFFF: 111110xx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx
# k& }- D* O2 N. ^' _2 k, A- O. ~: X2 m2 K& s+ t
U-04000000 - U-7FFFFFFF: 1111110x 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx
: u8 j! t# M4 W# C2 x/ O
6 J# n) X2 y5 I 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
| 