|
 
- 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：
& H' b* a; X) G C' n4 a
& ~* u- K% v+ O# g 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。* J6 S# v, ?% ^, g, Z$ H
& d+ C/ d" T! f* `1 i6 H2 T
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。: k D' H8 U# ?- c: C5 `; J" }
5 ~3 [4 _% ? F5 k: p7 X 2、台湾，香港等地使用的是BIG5编码5 I# |) x# X$ j3 O8 K
9 K) K+ S+ f: f% D" `! u. y
3、日本：SJIS编码! }4 ~( g! u/ [8 t8 D4 P
|& H+ a* Z, R
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。" _; Y" t& z: \- v7 Y% ^3 o% o
$ O9 V& v% G8 `+ h6 k/ J 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。
# w( X( U4 K4 _! M+ e
& u |( X) [' a Unicode的学名是"Universal Multiple-Octet Coded Character Set"，简称为UCS。
% Y0 @( W! R' D/ P& y2 t
0 s( Y: D* o i+ P& k. ?9 n/ 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
% X/ d( m1 ^6 @; y) _3 w5 y
. P0 W! C" W3 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! U/ S `+ n9 X6 K8 @
8 [' g* [; ]& e$ X& `6 ^3 r/ 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。. Y, A6 } w& {8 b. J& L7 ^
, R/ D/ D( E% E7 b 什么是codepage?codepage就是各国的文字编码和Unicode之间的映射表。
2 s! v0 R! T3 I, |/ z2 O+ p
$ s# Q4 M0 x0 l' d. \6 x+ L1 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。
6 C$ G+ O* P+ B- F h J C- l+ s' G
codepage=936 简体中文GBK
5 |: |8 H' _( A% e+ C
/ Y R1 |/ Q% U codepage=950 繁体中文BIG5
6 N t, x, E h% v
, A/ S$ C/ ^2 K3 Y( ]( N2 T codepage=437 美国/加拿大英语9 ? s) |1 H& i; t k6 B+ g% O
( q! {- O/ E$ ?
codepage=932 日文+ {" o& Z6 k3 u- u% f3 z5 |* p9 y' N
8 R2 Y7 d2 y0 `8 W: P
codepage=949 韩文# m! R) r* Y# b" N0 Q
w) S6 s7 W7 h/ b
codepage=866 俄文
0 `9 I$ z8 W& Z6 q5 J0 s# m1 }- Z4 W: e7 B0 c: M. x: @
codepage=65001 unicode UFT-8
& ?# M% A' g( F! P# Z" @% `2 A8 U i Z
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。
9 C. T1 D; e( S9 S0 | y2 c8 a* ?0 H3 q9 F: N$ |0 r a% |; A) x5 i
从936中随意取一行，例如：% Q! s! a L& P6 N2 O1 H' O7 @2 }; T% {
H" Q3 f. t! u l* B7 Z& ] 0x9993 0x6ABD #CJK UNIFIED IDEOGRAPH
7 x, ]" z( Z: V) k" `, ~
; O- ~( i' Q' U; O9 B9 N1 R; ? 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。/ c; } v/ o; o! y$ p
8 K+ C9 ~: u1 H8 a4 v- f# M
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?
6 E2 R! `, H7 r- {' P I& @2 Y5 j/ x1 h+ v+ Q) X' x5 B& R7 q: ~
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?
( s( y, [ S/ I! h/ _% T, Z6 t6 }1 L
2 [& A/ @- t: [7 D, M, ^ 例： _7 `4 n/ G) q2 E" o# _' Z
* f2 v1 B% u+ F E( X" A E4 BD A0 11100100 10111101 10100000
( P8 ?5 F5 N+ i% i* h& B
! t) |" n D. l7 m/ ? 这是“你”字的UTF-8编码
7 c# B/ K3 x+ b, e- {' X% M- E
1 h A( p0 ]* l& c) o/ L; c: r 4F 60 01001111 011000005 V. B6 C& ]. C# H* x& ?4 _5 c) p
( F6 O! a* _" j8 z8 V 这是“你”的Unicode编码
& g. Y, D( ^+ ~' z* _, [9 k
5 n2 y. ^3 C5 T% A+ @: G2 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。- M- s6 f4 U7 q
3 o- r8 t i4 _, V+ Z
以下是Unicode和UTF-8之间的转换关系表：9 S5 H! s- U) O
0 n4 D1 f5 ^! r& H
U-00000000 - U-0000007F: 0xxxxxxx
0 Q# |9 m8 o7 u i' r& u1 N: z5 C" a! L' x7 A- q [
U-00000080 - U-000007FF: 110xxxxx 10xxxxxx5 f- d& a* b( y' }
$ A& Y% C* H `' I; R U-00000800 - U-0000FFFF: 1110xxxx 10xxxxxx 10xxxxxx$ T6 _+ h2 w6 X0 k Z3 D+ G* x
7 X7 x/ g1 a; \- Z+ S
U-00010000 - U-001FFFFF: 11110xxx 10xxxxxx 10xxxxxx 10xxxxxx
B) L& H q: d5 d# V; P
$ q) R4 x0 G3 @) p U-00200000 - U-03FFFFFF: 111110xx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx% v+ P# w, w$ J2 K+ V" M
+ @& l) g, Z& G3 b3 c4 k: K
U-04000000 - U-7FFFFFFF: 1111110x 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx0 P3 Q4 Z6 d) U+ x3 {
; }2 F- c, y( 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
| 