标题:
HTML语言:什么是Unicode 什么是UTF-8
[打印本页]
作者:
admin
时间:
2008-1-19 23:35
标题:
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：
6 n9 A, t4 P; b. b* V7 [
6 J6 \2 d4 S# C/ t
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。
@# H4 u9 J, c- @
/ r- _' n1 S5 l0 q' O4 h
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。
2 w, T8 w* P5 V- `+ g' ~
% b8 N: m* z, r; a+ B% @7 B
2、台湾，香港等地使用的是BIG5编码
' M9 y6 x: B2 n' T2 a
, w) F) G' d! G7 i
3、日本：SJIS编码
5 W+ P7 ], C/ J; V* ?/ b/ O
( e0 j! v8 B: ]' g
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。
) ?; P. E. q& s; z9 U* b2 Z/ @
& _9 E+ n9 n" a \7 k$ 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。
: H! Q- N* ^: h
' M& T7 Q( ]% V5 ~5 x2 H( _
Unicode的学名是"Universal Multiple-Octet Coded Character Set"，简称为UCS。
* s j ]9 d6 P; a
. y7 t: Q6 t! z8 o, H$ Q0 g# C# g+ b
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
5 A/ H$ l* r% L& T9 @
; @7 n' V0 s/ R! M4 P( t7 F
20000-20FFF - 21000-21FFF - 22000-22FFF - 23000-23FFF - 24000-24FFF - 25000-25FFF - 26000-26FFF - 27000-27FFF - 28000-28FFF - 29000-29FFF - 2A000-2AFFF - 2F000-2FFFF
$ b5 l/ S1 g& X' ]8 x0 W* J3 s
; x3 \: `; B5 _9 X
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。
5 J) R$ p+ u$ D, Q) z' X
4 Z; j: ]# h3 T# B/ c
什么是codepage?codepage就是各国的文字编码和Unicode之间的映射表。
) u1 o) L; X1 t
9 G8 o( o. J! p8 K# Z0 o# Z
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。
) g5 y* s2 ~ V& u& t1 Z# s
; f' J: F/ e, V6 c* s8 P' q
codepage=936 简体中文GBK
" w* f; ^: z- a8 c+ w
J8 a! v+ ~0 \3 a: T9 `+ V
codepage=950 繁体中文BIG5
% P% l7 d9 l. j& X
* Y3 I3 |' {$ S, _+ J! m
codepage=437 美国/加拿大英语
4 V0 z. Y- @$ L
* ]; X( h% ?% Z6 i4 m
codepage=932 日文
+ y5 @2 u0 \2 B5 _
3 N7 B0 a" s% L9 {7 h2 F
codepage=949 韩文
- ?0 v+ N- U L$ Z* q; e& `2 P
1 K. r! M" f( @0 Z0 z. a+ D
codepage=866 俄文
9 U# `2 U7 E" [, p5 K( `, A7 B
w0 L0 L: A2 |2 c+ ~, u
codepage=65001 unicode UFT-8
+ ~8 w6 G) Y5 n- h' `
: v% D) C0 Z5 K6 n5 m' K
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。
* Z3 _( j4 K* [* Z- w2 F
9 m+ c$ d, q7 i& y( ~, O
从936中随意取一行，例如：
& J6 ^" |+ ^) ?* z# x N
+ S4 J( W' Q) M6 g0 Y
0x9993 0x6ABD #CJK UNIFIED IDEOGRAPH
, d+ H' g/ \) _1 E+ `! K o4 o
2 Q, m9 {/ y% x% Y7 e1 I9 N7 D3 ?
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。
- l/ L% F# j! W9 W ?# @- j: t
! ]% S* G/ R7 J5 Z i; n
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?
" t9 n3 i0 N- n: k" |! R' W7 p
7 A I" k" a1 m) ]6 ]9 ^
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?
& O6 b5 o5 `/ L: a
W$ I, i ~ l8 m' P
例：
0 K4 f* p: S/ `& A" P* t8 [
" O& m1 g# R! y9 E$ P N
E4 BD A0 11100100 10111101 10100000
3 H2 A! \7 W0 _
+ |; { D p' _; B2 x
这是“你”字的UTF-8编码
R5 C: f) [$ s0 x( v! ]
) ]+ S! S2 v+ }5 I4 `3 }
4F 60 01001111 01100000
. [$ b+ W9 [. a/ W8 T6 Q- o9 C
2 t p2 d8 Y) }4 O O0 y. r
这是“你”的Unicode编码
& s0 T- ]5 K1 R* J0 r
$ q- R# w/ l+ E% \* I, J, k% 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。
" ^' Q9 N, |+ i4 l, r4 x7 _1 }
3 y9 B- F& O5 E5 I
以下是Unicode和UTF-8之间的转换关系表：
2 k- f1 @& u) R+ ~% \
8 V, z+ a, F7 d( a9 [$ r9 s2 z% m
U-00000000 - U-0000007F: 0xxxxxxx
, D* u$ J& T( Y+ S$ v& \
O: F1 j' S$ `
U-00000080 - U-000007FF: 110xxxxx 10xxxxxx
0 ?# M* M/ Q, P3 i5 l2 E+ t( g
6 U- o5 ]6 x7 ]
U-00000800 - U-0000FFFF: 1110xxxx 10xxxxxx 10xxxxxx
, [) {* h$ a2 r$ w- F( Y. Y
3 V6 ~- \, R9 s- W* I |8 W0 `
U-00010000 - U-001FFFFF: 11110xxx 10xxxxxx 10xxxxxx 10xxxxxx
4 R `/ ^; n4 I+ ?6 c* N
! {- h( H' n6 L% U0 k
U-00200000 - U-03FFFFFF: 111110xx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx
9 c! u! g) V) `$ ` x3 s R
8 m& q3 B9 g% z9 {1 j+ S: F" @
U-04000000 - U-7FFFFFFF: 1111110x 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx
5 S0 O- r, M' K* D6 A/ k
, `$ B3 f; E, d5 q" B# Q/ x- |
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。
欢迎光临 捌玖网络工作室 (http://www.89w.org/)
Powered by Discuz! 7.2
