|
 
- 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：
7 P* C6 N9 V# b! W9 u+ N
( A- N' @) a8 j1 ?& O 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。: g! w6 a7 J, Q5 L, v# K% z
0 @! U, `3 I- |% @
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。
+ E0 X6 t. p0 A
) i; b4 D# _" I) I0 s O M; @ 2、台湾，香港等地使用的是BIG5编码
5 c4 N2 Y/ B+ T! C" S. f1 P' h7 U0 C7 O8 S% m# {( z7 N' N/ A- Q9 L
3、日本：SJIS编码' ]7 l8 H/ s# U* a
4 f+ o0 D' Z- @9 b- z' 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。
6 z5 d. i7 n3 j) o# t% j# \: w& C/ ?: L7 B2 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。9 w. O' u( q! B' U3 ^- j
. t; L" U3 Q0 k
Unicode的学名是"Universal Multiple-Octet Coded Character Set"，简称为UCS。1 R. c3 a' ^, c" Q4 D6 V
" x- E# J& L; Q2 @, g5 R8 i 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% v: H) O( [! R
( ~$ }/ K: d% N! k 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 B6 P9 y7 {1 ?* s: Y3 w6 @! F$ a. f' 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。* I2 F( B6 y) J! B0 Q9 ]& l8 W
! |6 B7 V$ W# q$ q
什么是codepage?codepage就是各国的文字编码和Unicode之间的映射表。
$ n. y+ s. s" J0 r- I: F
1 _; w" m4 z2 M& o3 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。9 u. w( k4 U; j4 ~' B( V$ |
8 z$ |, W, }+ C9 z7 t codepage=936 简体中文GBK
2 l0 x' o2 {: q3 Q$ s; Y/ y8 |# d* R1 ^% y! C0 @
codepage=950 繁体中文BIG5
) [& J% \ `# M9 Z! i: \/ D3 I, l( E7 L/ g, m" s
codepage=437 美国/加拿大英语
9 A y: z+ x+ h7 z5 H2 W- j
$ W( }" e; i2 p8 x3 I codepage=932 日文; Z8 T ?, W3 b7 J, U0 X2 @
, V/ O7 c' d" i1 R5 [2 V2 F
codepage=949 韩文$ j: z) @4 N4 }% d- n; o2 H7 y
8 U2 d; M" R& {- g
codepage=866 俄文
+ C6 q2 `5 Q+ T$ K# p( |1 h$ u1 {0 e" v; C
codepage=65001 unicode UFT-8
5 p" K5 J2 g/ |6 R, Y3 s4 J e" m7 u8 E6 P' Q
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。2 b y0 s% h0 i r: P
1 W1 V, D( d3 d% I7 g 从936中随意取一行，例如：
/ G. n. S5 b, C" c0 ?, F& d' Q3 P7 y4 U" @+ F! X
0x9993 0x6ABD #CJK UNIFIED IDEOGRAPH5 B; h) J5 r2 c3 r' h e* _
5 I" {, g- [* n5 J& j" s 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。% O4 o- C! ]: F, s4 l. T( Z
: X5 [' F& p. v+ I; D U) H8 M& H 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?- K4 E, V# f7 b
! T! K+ @# ]3 n" a6 _) 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?
1 \4 w. O5 z) [) _$ i. d8 |
! [; g& x& E& Y! K 例：4 @* Z3 R: U9 }* n ?4 A2 ~% g
5 Y* I9 z" b+ H$ A; ]0 k( J
E4 BD A0 11100100 10111101 101000009 W" p0 C) x1 m9 U" h
- B( _# K% G9 l 这是“你”字的UTF-8编码
: p, y+ H9 k% I1 c/ [7 f+ @( D. W8 Q8 g# {; W9 _, V
4F 60 01001111 01100000$ O8 f: B5 ]: } {9 i: U t
% `& u; B, d) l. V; Q
这是“你”的Unicode编码9 @4 a; _) I* \) j [7 O9 Y
9 k6 Q$ K0 d0 Z" U" d: i
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。: o! L# Y' h5 j* k; d0 R( w) {
/ Z, K }" X2 n. @( V
以下是Unicode和UTF-8之间的转换关系表：
7 a. q- T0 P) P! r4 F; |
0 v% f6 r1 S: p5 I2 \ K# M U-00000000 - U-0000007F: 0xxxxxxx( ^# r/ [8 E( ?0 h q
+ a2 H5 }4 i# J1 P U-00000080 - U-000007FF: 110xxxxx 10xxxxxx
8 d$ G2 @8 {# Y+ n9 B) _1 Q: B z4 k' @8 o* Q7 R
U-00000800 - U-0000FFFF: 1110xxxx 10xxxxxx 10xxxxxx
, q( J; y3 U- {' r0 I: U- L4 W$ M5 ?) Y ~5 b
U-00010000 - U-001FFFFF: 11110xxx 10xxxxxx 10xxxxxx 10xxxxxx) a( X& M4 u: T8 C8 z
+ q) P. o! S( q! | U-00200000 - U-03FFFFFF: 111110xx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx
9 U1 d* e( p. |$ r3 ]
. h. k5 Q- X1 ]! T; {! z9 _1 l/ U* }. t U-04000000 - U-7FFFFFFF: 1111110x 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx
, Q3 ?/ A! m. S& d- x4 v4 J
0 \' ~3 }3 B% y! g6 v( l; `/ |1 w 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
| 