|
 
- 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：$ @% q5 `, t- I2 e
' I Q( u$ F4 n 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。+ ]' y, D5 x- L" r1 w5 J6 Y
& n* C3 _" I0 `* U$ F2 o& H% ~% X 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。
' q8 O- B* G r1 p! C" v; g1 M- D- \ o
2、台湾，香港等地使用的是BIG5编码
5 P" M' O- C0 i7 O4 Y; b$ L
9 ^4 b0 K0 V& A4 T7 ~ 3、日本：SJIS编码
, V1 r7 i5 w% a) p' q2 u# d2 `- l6 z% Y7 B: [5 N
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。
) S+ Z9 i9 Y) K1 {2 x3 E; o& E. m% [" T$ q
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。0 S0 N, y2 v* w/ ?
6 C9 {4 u+ e# d, u# o0 D" @
Unicode的学名是"Universal Multiple-Octet Coded Character Set"，简称为UCS。
+ w1 C9 }4 D2 S# r
5 W( [: T( W; K: J$ V. B/ C1 z 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
* s- {4 n* E$ Y- W* U. L4 b$ {' X: N' T0 Y6 Y6 |( a! g
20000-20FFF - 21000-21FFF - 22000-22FFF - 23000-23FFF - 24000-24FFF - 25000-25FFF - 26000-26FFF - 27000-27FFF - 28000-28FFF - 29000-29FFF - 2A000-2AFFF - 2F000-2FFFF$ W6 N5 |: C. `& W* S/ ^
) e- B% p2 V6 g7 H3 ~7 @
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。
$ D' L: ?; G' r
% f3 d$ o: D- }' e T. U) j6 | 什么是codepage?codepage就是各国的文字编码和Unicode之间的映射表。. P" D0 u4 z! |- Y9 p% k
& y: D' b/ ?2 Q, |$ X
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。* i8 U9 n" W z
' P% z9 _! I$ n/ L* `, y codepage=936 简体中文GBK8 W( |; H" s8 Z5 G8 t7 y! B- {& z
; f# X! g) x5 X. a- v8 K codepage=950 繁体中文BIG5
5 S) x( C' d$ n* c5 A4 u5 l3 d/ i E7 u k$ }
codepage=437 美国/加拿大英语
2 d# F& e6 Y, {0 U9 [4 a$ \! ] L5 w! z; s; ]- I
codepage=932 日文
. J3 }9 t. T! Q/ }4 s9 \2 W4 n a( j# F/ @6 i. l( l5 G
codepage=949 韩文5 o9 L: f3 U2 i9 M8 \
$ S! e: B6 X" ^* Q! m8 S+ C+ `
codepage=866 俄文; h. U/ [' V2 Y+ K
# D( {4 H. Q9 X' D* e$ n- U: O% L codepage=65001 unicode UFT-8
- t( b% i2 j9 ?0 c l- n, R8 P- B0 j' n3 _& 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。/ C/ l0 x. l4 i7 u0 C% u+ q
7 E0 V, y* T; ]* b
从936中随意取一行，例如：
7 ^3 |+ \9 C: C4 O2 A
3 d( z9 k2 w+ s 0x9993 0x6ABD #CJK UNIFIED IDEOGRAPH
) z. w) w4 r# y) H
8 J7 D7 i( A- y/ s/ r* o 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。
3 b b$ _7 }5 V2 {, M" n
. Z, Q2 _& J0 v$ M- g- L; 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?+ O6 r# J- m2 Q2 h0 D
- _4 i4 Q( K% V: p& Z6 `% \$ l% J
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?
8 J4 Z- R8 B( T
% d Z- O6 n/ M6 {0 {9 s0 O 例：
2 Y. Q G* D# c/ M- f# i- Q t2 Z0 S# j# o& K' x# [8 b
E4 BD A0 11100100 10111101 101000001 O% n2 L+ Q# l4 n8 G: k7 l
$ |5 L: b# ]# h ^9 A+ d/ ] 这是“你”字的UTF-8编码0 n3 Z( z& d# X+ B' A9 q
/ ]" v! {9 I- }- B# H: t6 | 4F 60 01001111 01100000
0 M! [% a" I" y3 r; X* l; @+ C
% s' {+ t4 a" A# F( X# K' S 这是“你”的Unicode编码
8 z+ l" B7 C2 Z) ^% D- Q1 Q/ `5 `
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/ d9 O, |5 E7 `; o5 P
' f% M: H8 u& M5 j+ h0 u- ] 以下是Unicode和UTF-8之间的转换关系表：
; E9 Z. g- _% b* J; m( {; X$ b0 _( m3 @, n
U-00000000 - U-0000007F: 0xxxxxxx
* ] k/ P/ f) Z4 p
" _4 W0 e; @* D* H; J U-00000080 - U-000007FF: 110xxxxx 10xxxxxx
* L( ~2 t" S _) x& E
& j7 H. `/ M2 u% n" C U-00000800 - U-0000FFFF: 1110xxxx 10xxxxxx 10xxxxxx; Y4 F% j8 V# ~# Q3 B' S5 c
+ ~0 U: b+ c# ?& I
U-00010000 - U-001FFFFF: 11110xxx 10xxxxxx 10xxxxxx 10xxxxxx/ x5 c1 Z. V% `: Q# I+ a
# ~8 B' h$ J0 P# D# V9 J
U-00200000 - U-03FFFFFF: 111110xx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx
# r, h, p& U; u, D4 |( P7 |3 H; Z1 B4 H1 K- p( K& Z$ h9 ?
U-04000000 - U-7FFFFFFF: 1111110x 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx+ A3 U; [8 N4 _7 f" `- Y
: g4 p4 [5 `& ^6 R8 U* L 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
| 