|
 
- 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：! n7 y' k1 k1 n. o" T
( v% a) p/ L6 Z) h
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。4 K* q8 H6 Z+ x) z0 W$ q% y
5 B0 N; S3 o0 x: a" w ?# N6 ~
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。: v+ |3 N# e& f& i1 x1 V; @
6 c5 K6 u, L# g9 X+ `- n+ E 2、台湾，香港等地使用的是BIG5编码
, a. R9 r% A* ~2 U6 o! i3 L* X
' X1 H6 y' a6 m) Z5 y/ w. e( M 3、日本：SJIS编码
* l6 ? S2 U5 P( \% R3 v8 }, U1 i9 ] N: S5 [, 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。
, A; B! ^0 u$ g- g0 }
; `: T* \+ A9 p' y. `" r: M+ C 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。+ C% Q3 m5 J! v5 [2 t
: |, N# Z/ U2 P# i! T Unicode的学名是"Universal Multiple-Octet Coded Character Set"，简称为UCS。
& Y' u1 P/ C' F) h4 m e9 i+ T- ?( V1 \/ \' 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# ]2 b4 v2 v' h
6 ~5 O# N0 g/ m. W" ~" y 20000-20FFF - 21000-21FFF - 22000-22FFF - 23000-23FFF - 24000-24FFF - 25000-25FFF - 26000-26FFF - 27000-27FFF - 28000-28FFF - 29000-29FFF - 2A000-2AFFF - 2F000-2FFFF# |, y" X* o1 r9 y* |* K9 l C6 J" F9 X
5 D5 I3 n2 F1 r. 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。
& W. }. k L. H2 n6 ~2 H2 B
( T2 H7 `! c \- l, d 什么是codepage?codepage就是各国的文字编码和Unicode之间的映射表。
2 y0 A- Q) n4 ^8 I
3 \" @* D. W/ u; a k. r: g 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。
+ X$ E+ p" E5 P' Z; h: R5 f- ?; I4 W* E3 G1 g. f* c$ Q
codepage=936 简体中文GBK% X- g/ W. [5 q
/ {$ J z: C$ ` Q7 m' z; _5 f
codepage=950 繁体中文BIG5' A) t* V& v( a/ p( v
2 m; Z) \& v5 `' b- ]. w codepage=437 美国/加拿大英语
8 G1 }+ g+ h* x% x$ \) K' w
) y$ R& a: T: u4 O codepage=932 日文4 e2 ?; B% L% B7 j9 ^
. ^% s- W% c/ O" i codepage=949 韩文
& o% p; R6 b/ E- ?1 Q% w5 ~' _, q8 C6 `/ i8 j; j
codepage=866 俄文
- {6 r3 L- M5 F( @# D8 h/ Q2 K+ C$ r0 A2 `
codepage=65001 unicode UFT-8
: w. g. j, |0 M8 h: e8 _
) c: P2 k- l7 L 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。
* S8 E& C7 r7 j: {$ I" R! G) c+ B" X2 _. `& K- @
从936中随意取一行，例如：
) e; W* a$ _$ [+ w: F1 B) X: d4 t( ^! y: o q4 X4 P
0x9993 0x6ABD #CJK UNIFIED IDEOGRAPH3 @4 I5 b, k6 {
* u' x3 v. p; l+ ]/ [; T 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。; ]+ Y: X, V( H& {" w- J
) Y2 A& N. ^0 D( p 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?
. h# L" H1 Y6 Y
3 p/ E( y' Q! y: i* o9 |* z 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?$ [9 ?/ c6 j) M! i7 v; @! M
$ i5 @' ~2 L9 b# f9 X+ R; E1 W
例：3 v' V+ s% ]) _; J( M, l% a2 e6 @6 X
z( K- J/ H1 q7 c# c
E4 BD A0 11100100 10111101 10100000
& t' L8 R* p2 ]. O$ ]9 F
8 N- O) S, r1 Z- ? 这是“你”字的UTF-8编码/ l% G' O9 } l" V0 [. Q6 D* w% u
, x2 c) n& g4 ]6 O! Q) t 4F 60 01001111 01100000
5 ~$ ~" I- o+ B z7 V3 z
' c7 k3 b6 m* q- J( s 这是“你”的Unicode编码
7 L. y3 h7 o8 j% A# E0 U0 b2 s# B9 q3 o, n" K* \$ K* l1 j
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。- i6 u- ~$ m4 x* j2 R5 F7 h. F# f
( s# G9 y$ M1 H' S7 l
以下是Unicode和UTF-8之间的转换关系表：
$ N6 M; U9 I. @$ K1 U7 A! a! z% x& h$ k# a5 D& O
U-00000000 - U-0000007F: 0xxxxxxx
7 Y$ J9 v/ S) M; y
+ @; k7 U" a5 k) J, B' c6 W U-00000080 - U-000007FF: 110xxxxx 10xxxxxx
# E- y( ~( B, a$ }& x0 c; J# }& B* W. | E9 _
U-00000800 - U-0000FFFF: 1110xxxx 10xxxxxx 10xxxxxx
5 n! j; \; ]/ R" c C, e; f/ { J. z0 X" k: m3 i4 V; Z# |% |0 I
U-00010000 - U-001FFFFF: 11110xxx 10xxxxxx 10xxxxxx 10xxxxxx
; b* f! r- A' O
: r3 Z6 d6 }; P6 }. i2 h/ ]. D U-00200000 - U-03FFFFFF: 111110xx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx- U- P: g7 Z: u- a: d6 w& c" ~
7 v- k, s6 N$ Z
U-04000000 - U-7FFFFFFF: 1111110x 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx
! P" U8 C8 g* ]; B) J" Z
5 [9 J: \: v; g+ T* Q 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
| 