|
 
- 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：0 {8 y6 ]7 A, r2 Z. x3 z( o/ K9 J
& M; w+ V( [; H; w, C, }( 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。' f C, v8 Q- a8 @: b/ D7 N
, [$ i V- ?7 B+ F0 ?
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。
Y, F O2 W# w8 ~* J9 V$ L6 S# H0 f. q$ p: Z- g
2、台湾，香港等地使用的是BIG5编码
: {$ j, X( G) ?9 O4 p3 `/ b9 B6 s
/ O# {6 ^" F: a! Q) P$ C' d$ K 3、日本：SJIS编码
2 F; P& e2 H2 _# B$ ]* b
" N& s: j0 ^# F# _. t& K3 x 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。' h N- c' `; S& ]/ i+ G, |) D
1 D- y: @) ?! S& |' Q+ \& Q& h% X9 x
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。
; ? G% r3 _" ? ~7 F
A9 N: H9 E" ?- Z8 O Unicode的学名是"Universal Multiple-Octet Coded Character Set"，简称为UCS。
0 ~) W2 d* X! z6 |! [
* I2 i. f4 [ k- r- Q2 U8 l 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' N* z4 F; u4 a3 D% {+ M
8 A' `1 _% R) `% ~' D 20000-20FFF - 21000-21FFF - 22000-22FFF - 23000-23FFF - 24000-24FFF - 25000-25FFF - 26000-26FFF - 27000-27FFF - 28000-28FFF - 29000-29FFF - 2A000-2AFFF - 2F000-2FFFF
4 {9 G, B' D% W1 N' u! Y* h
{* z: ?& g1 Y" b- { 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。& J. z3 c( I; `$ n' B9 B8 m
) W. c, S2 }% q3 S- G 什么是codepage?codepage就是各国的文字编码和Unicode之间的映射表。
9 b' T/ [ g% J( b; d# o2 \
2 f! p& y3 v5 }- H8 s$ h 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。
, J: ~- r+ y: e; M, s/ m
7 H8 e2 _8 Q" z6 W" |7 e! S' ? codepage=936 简体中文GBK; X6 H M4 q1 N. V6 F1 O
0 \. Q! ?: A% O4 R# p codepage=950 繁体中文BIG5! y! C3 Q: N! {% |7 U5 g
/ w' L0 L7 P' ?# R
codepage=437 美国/加拿大英语! G+ p6 w, ]% D2 \6 K) x
4 A! f8 }' Q0 Y l8 U! H5 t9 b codepage=932 日文
& n ]5 G1 y% n
$ Z. Y* p9 ]& t7 U6 ~/ o5 ` codepage=949 韩文
" ?' v! D$ Y2 a( n2 c* x6 B4 t) L$ a6 o
codepage=866 俄文0 n g: G- o7 h, t3 k* q+ w7 j* @
6 g# d( G" |+ t; Z( R
codepage=65001 unicode UFT-8& L9 n" x& t3 P K
3 y q w9 Z" p
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。# `5 t" C% c) J4 v
& C2 n) N$ r6 m, q4 u5 ?% A
从936中随意取一行，例如：
3 i4 R) B: t- y" M8 m
- u# Q# z/ Q( R* ? 0x9993 0x6ABD #CJK UNIFIED IDEOGRAPH
" `$ a1 }7 {: ?+ t+ ]1 P
% @7 W/ f2 u) O5 y3 Z& w' Y 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。
9 O: [1 o) P# W8 z* |* f( p: ? V8 C4 K J" 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?( e3 M0 E0 E: Y8 ~2 [
) F: L9 K& ~2 \1 O1 W4 w4 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?
5 r, h: c; Q: C8 O; g2 B! n
z' ^& R2 O0 _$ p. {; f- n3 \( d 例：$ M7 }- ]" K! G1 d
$ t2 J/ z; e- z6 S; ^5 H
E4 BD A0 11100100 10111101 10100000/ I4 i: q$ Z* p
- I& Y8 L5 I4 k b+ W J8 R 这是“你”字的UTF-8编码
/ H2 c! b3 S3 l2 D: _0 ^9 Q" _! [& {* C( Q
4F 60 01001111 01100000
. D: B* U! ] F$ [( `( }4 k0 W' o5 x8 w! S% l
这是“你”的Unicode编码
7 h9 Q/ k: A: c+ x; J
! d. s5 }: i# k' T 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。
- T3 m! h5 _* @) u& n. e- c' m/ G; [2 I% C, q) s o
以下是Unicode和UTF-8之间的转换关系表：
. G$ v, `5 t3 B$ ~" a- F6 O O3 j- d% Y* T ]
U-00000000 - U-0000007F: 0xxxxxxx6 i0 A" S" h5 {' r
; n+ \7 J& Z& i k+ y! y6 s
U-00000080 - U-000007FF: 110xxxxx 10xxxxxx
1 z2 Q' g& p) [# D% T) a% r" ~* g8 K
U-00000800 - U-0000FFFF: 1110xxxx 10xxxxxx 10xxxxxx
6 @ B" h' x1 a/ U& j X/ x8 ~) G2 b- I8 q" g
U-00010000 - U-001FFFFF: 11110xxx 10xxxxxx 10xxxxxx 10xxxxxx
7 f% D, H j5 o4 ?* q" W" ?& R/ r& ]/ K/ f# q/ H4 D: A$ r
U-00200000 - U-03FFFFFF: 111110xx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx
/ \. O" L) H, _7 J! ~3 E" |. t6 S, v5 C( h' n8 N) k8 m* i
U-04000000 - U-7FFFFFFF: 1111110x 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx; [5 }, b* J( ]. I7 x
! I) R0 c1 A6 ^; u7 { 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
| 