|
 
- UID
- 1
- 帖子
- 738
- 精华
- 28
- 积分
- 14191
- 金币
- 2386
- 威望
- 1647
- 贡献
- 1334
|
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：
: G+ h0 P7 I' W5 H8 N
4 D* H, P" Z, ^* k, R- j7 I& D% r; a 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 Q' S' R. l. m* n
i4 D1 _9 l. x5 N' O; Y 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。
- l* x- Y6 d' ]6 k6 _9 u0 R' V! n8 ` \5 ]$ L9 I& P: a( Q
2、台湾，香港等地使用的是BIG5编码
# m! C% l$ b6 H
F% K/ {! w2 r2 {- k 3、日本：SJIS编码' Q& C+ G) L' G. i1 i) Y$ L6 P
' @" A* e3 h9 v/ H. e- F% } 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。
2 `. e9 C- A- y) y( v1 t! j# ]$ g) c' f- |( |% B! o; Y2 Q* {- H. B
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。+ m4 `: A( D, Z7 s9 k5 s* C
- q# r$ P' k, D. h* _2 ?5 f9 q Unicode的学名是"Universal Multiple-Octet Coded Character Set"，简称为UCS。* t" W4 d5 U# W' h$ v
1 h; [* U' B) G
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
' A7 x' K/ p, X' Z
1 } }: ]; d* H6 P8 b; f, O { 20000-20FFF - 21000-21FFF - 22000-22FFF - 23000-23FFF - 24000-24FFF - 25000-25FFF - 26000-26FFF - 27000-27FFF - 28000-28FFF - 29000-29FFF - 2A000-2AFFF - 2F000-2FFFF
, o b2 \2 d0 h, s. n \& E( _* B- ]# a) f$ O" R5 L
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。
3 u' a+ L6 l! ~* q1 {# ?+ f
# o1 Z% U* S7 c 什么是codepage?codepage就是各国的文字编码和Unicode之间的映射表。; P; P# {9 E. {& T! Q1 y
# R( G8 M2 e' z; z! ~% g9 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。2 I% e& Y2 w. p3 [, `* Q$ i
& L: B# q5 g* q1 ^2 w+ ^$ _
codepage=936 简体中文GBK
# _1 p5 F w' j2 G- @' o( X
( e3 ^. Y! j1 L+ [& [+ h codepage=950 繁体中文BIG5
5 [& l5 c; \8 J- b( ~
3 o2 ]6 v8 S9 t4 W codepage=437 美国/加拿大英语
7 P! U% ]- ?3 T: ?7 c
$ X$ l* [$ x# @ codepage=932 日文
$ R8 y% x5 P7 p L; ~" `9 u& W8 r+ k% L# }. N7 V0 E1 r; |& v
codepage=949 韩文
6 T z3 Y( O; f
( v' \' B! E% I% u codepage=866 俄文
* S& w9 ^6 m$ O2 X( O+ j* Y0 u
! S$ q M% O% |' k codepage=65001 unicode UFT-8& ^1 P6 Y3 ]) P1 o- n
/ W8 B: C4 V" D# x o4 x 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 e) ~" `* G2 J6 ?, C! e
- m! s: u* O/ x* i, d9 [# k 从936中随意取一行，例如：8 B0 I' _+ Q0 @( k6 l
- D! e8 k- h9 W9 i 0x9993 0x6ABD #CJK UNIFIED IDEOGRAPH
e1 @5 e: g% D! {- ]! h
) S- V( E6 j2 L0 [4 ]( a% U 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。& u m1 m6 B( G( F4 H# C4 z m# Z# O
5 v/ k+ T f# h. E0 [4 g& 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?5 r" j& T \, g' R9 Z: w
* R; H3 Q; r+ P0 y4 I
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? A! F6 F9 i& ~! w# J8 W
( q. [6 n0 ^1 o3 N* V' z6 _+ w 例：; r" Z$ i5 H; \6 `7 u
2 J# \/ j3 Y( I, y- ? E4 BD A0 11100100 10111101 10100000 c2 f+ f/ M6 F% r
* O2 V9 }' h5 S5 N' N 这是“你”字的UTF-8编码9 o( ]+ O( ]$ M' h( F! c
3 E1 ]% z% S4 z" j! G/ C4 j
4F 60 01001111 01100000
6 r0 v% e( f4 f" y8 Z
% p6 G9 ^6 P4 G* k5 n+ l 这是“你”的Unicode编码: G l) d7 k0 q( T* ^
5 p0 P4 B/ j/ P3 ?7 N
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。+ b% Z* n7 I9 i6 {* N& @% x- e& W
1 L2 I0 q$ s' d4 S( ~
以下是Unicode和UTF-8之间的转换关系表：
/ t$ J, e9 j$ C, X, O
" o( |8 x0 x5 s3 j) b) N U-00000000 - U-0000007F: 0xxxxxxx. R) |* k9 {1 i- ]! B
2 b9 S6 T$ l; v U-00000080 - U-000007FF: 110xxxxx 10xxxxxx7 Q$ u/ |* Q# ]% A% H
- g2 t1 c, h7 F P& E U-00000800 - U-0000FFFF: 1110xxxx 10xxxxxx 10xxxxxx7 O; Y" m: ?/ G
; _( a6 Z; z( ~+ H a9 }$ t3 {( u$ }6 K U-00010000 - U-001FFFFF: 11110xxx 10xxxxxx 10xxxxxx 10xxxxxx) r3 I& j9 }4 y9 J) e+ z
7 Z8 C" F3 z1 @: L4 G U-00200000 - U-03FFFFFF: 111110xx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx/ n+ [+ ^& @2 C! v+ e# `
4 {1 E( C( `5 P. b U-04000000 - U-7FFFFFFF: 1111110x 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx' O( f6 w& n% @& q5 o/ o! z& _9 R
9 E8 ]1 ^9 L/ `- x5 C
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
| 