|
 
- 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：
% N) k7 m4 c$ G0 Y/ _
\' o1 ^; H) a3 f4 Q3 Z8 @+ z 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。
8 W; K9 Y$ u' u0 U# d7 ]% f3 n6 X% ]' }, [- L. b
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。
# P! `) U0 q/ ]! i0 N7 N9 H1 t* o! A8 M
2、台湾，香港等地使用的是BIG5编码
4 \8 |1 ]8 z' X( i- O8 M
$ x2 r2 x9 R- D. h) S* I+ ` 3、日本：SJIS编码
9 m; L) J8 ]# A$ b+ b9 S* c* K6 K- S. C8 o+ x0 e' r+ M+ t6 i: E5 {! O
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。
; M" }# _# u' \( X% K5 h( g3 |
4 V$ y. k4 X- D* J6 ]! Z 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。
& u. a [5 p, Q" ]0 M; F' R: }6 C
Unicode的学名是"Universal Multiple-Octet Coded Character Set"，简称为UCS。 g F; T8 P7 |) f& w5 Y
( h4 w) `( v+ Q3 o' U% C2 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6 p- T0 c8 R3 P0 J0 y9 X
$ ?; g, `; y% g+ R( @
20000-20FFF - 21000-21FFF - 22000-22FFF - 23000-23FFF - 24000-24FFF - 25000-25FFF - 26000-26FFF - 27000-27FFF - 28000-28FFF - 29000-29FFF - 2A000-2AFFF - 2F000-2FFFF
/ _8 c" ^, e5 }5 d% r' s" C+ P0 g7 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。- z* {: J- h7 }* A( }+ M
' t* S, R) \0 Y; D
什么是codepage?codepage就是各国的文字编码和Unicode之间的映射表。
/ U2 t" l& V+ n8 \4 D9 S' |: R2 z# h1 o2 D9 k2 n o
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。1 D1 _% `1 A5 `: W* \; y
( ^! A; e* ^" ?3 ?7 Y, ^. a codepage=936 简体中文GBK
3 u5 k6 ?( V% M" @+ S
3 I* F5 ~! t) X9 x% y* A codepage=950 繁体中文BIG5 G/ v4 s p9 i# m0 K2 G5 {
c: U6 B3 k3 Y ^ codepage=437 美国/加拿大英语
3 X$ _" Q# j; d+ v X/ _+ e4 V& u& }
5 ]( H0 L$ ]. q% S+ j codepage=932 日文
2 X! R3 e; D' R9 O) v4 X8 ]' z/ C. d- B5 \2 {% j: {) m6 V
codepage=949 韩文* Q$ w: P/ r8 W" f! p* ~+ v+ ~: H7 ]
Y; ?0 @1 m0 S$ h, _9 y" v codepage=866 俄文1 g! x: {! s5 W# G
% u6 A- E1 X( r# [5 x codepage=65001 unicode UFT-8
& y. l# l+ k3 H7 K
6 Q1 _/ ]; e' J 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。1 v) K& L4 p' @" r( J& r4 I3 f
) C ?; C7 g4 p2 D2 z* S
从936中随意取一行，例如：
0 x8 w' q; E s+ \ N
5 s0 t! U0 b- C1 T 0x9993 0x6ABD #CJK UNIFIED IDEOGRAPH
5 P# k2 Z8 i' o3 \1 v
* T+ [+ E- z* c% v1 Q 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。
. O+ X- s. z! j+ f+ x& v: e
! A( n+ P) ?& w& [. r 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?4 B* p @4 w* K6 ?* k
3 ]+ {- o' W1 x" M+ 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? ]( A) K9 ] g
0 Z4 j- C w1 C' Y6 r, D& P 例：
! H+ ^( t( c8 L, J. c( }( K7 \4 s) W( {: Q
E4 BD A0 11100100 10111101 10100000; j$ K% c: e7 g. i7 r( Z
8 o4 |7 R- H9 h: f. e V e 这是“你”字的UTF-8编码
4 M6 {7 r( N: [% k
; k/ S0 Z& Q: k# ^. Y5 G' l1 ]4 d4 n 4F 60 01001111 011000004 l7 X+ K. Z/ B7 ~% ^, N
; S( m& j$ b! z* ~ 这是“你”的Unicode编码
J3 b) j% Z4 X, E3 o, u/ \- ~7 d5 I& z" O8 T/ l+ d) `
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。5 d N+ }- p! s( k; d/ j& _8 j
6 y2 y( }2 A, P7 [
以下是Unicode和UTF-8之间的转换关系表：
1 b8 w/ D0 e9 r. E; K2 d) b" L* c- p1 b7 b: z
U-00000000 - U-0000007F: 0xxxxxxx0 W% L$ b( k4 \, E0 Y6 D
% y/ i0 i# x% h6 |. S& e- l; \ U-00000080 - U-000007FF: 110xxxxx 10xxxxxx
/ X( B* p- p! q9 a6 ~$ G4 I# Y3 r( W9 ^# d3 t
U-00000800 - U-0000FFFF: 1110xxxx 10xxxxxx 10xxxxxx+ ~+ ^# l, |5 s9 G& L
; }& I1 g# b7 P. _* y8 R9 d1 q U-00010000 - U-001FFFFF: 11110xxx 10xxxxxx 10xxxxxx 10xxxxxx2 @- g8 N2 }$ E% J4 J/ A
m3 Q9 s# m! X* B
U-00200000 - U-03FFFFFF: 111110xx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx; t. L+ Y/ z' r6 M% s8 z
) l1 k) I0 v3 S; r; E/ ^- L
U-04000000 - U-7FFFFFFF: 1111110x 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx
6 I2 b- G1 ] R6 R4 ]3 T
( [: R) x5 B3 M, Q6 ? 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
| 