|
 
- 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：
2 s* E) T: }- S2 a# p, I: ^
( x) w9 T* ^5 `' u. 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。' x7 P$ n5 }* T2 t t( O9 t
, ~. c/ ]# Y2 C# I6 [: 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。
4 |( c+ i# v& d Y; a
$ J9 i! E0 E g: W' w$ k 2、台湾，香港等地使用的是BIG5编码, [0 _! ?. Z; V( a
& v) F2 p7 e7 q9 J2 H2 m 3、日本：SJIS编码
& _1 I c& _1 a# c4 Z+ I, l; A: U/ s# f
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。
9 V# E8 L0 t' ^3 g2 V) z4 C2 B/ y( i, Q* V; \! x( i
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。% J0 |9 v$ Z5 A* J, _1 l. q
) p" z5 a5 q; ?& s/ l
Unicode的学名是"Universal Multiple-Octet Coded Character Set"，简称为UCS。% @- I# K3 z3 o% U% E7 g, s
8 X- B2 n4 Y5 N1 a4 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
9 t) ^: M. o- C# _5 S4 _# {1 L6 D- A; T/ s- Z4 ]
20000-20FFF - 21000-21FFF - 22000-22FFF - 23000-23FFF - 24000-24FFF - 25000-25FFF - 26000-26FFF - 27000-27FFF - 28000-28FFF - 29000-29FFF - 2A000-2AFFF - 2F000-2FFFF; z5 X( S' i. b6 C7 r
8 J( x+ j9 Q* \/ m) q4 I7 n2 o2 J8 o! } 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。
4 b' V% U. F% t. z
# _4 i. |$ \7 J3 f& O 什么是codepage?codepage就是各国的文字编码和Unicode之间的映射表。
5 }% ~0 K" F ~; f5 Y+ d( ^
/ |. l' m/ Z8 T) ^' N! i! g* l! Z 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。
4 Y0 G- n( b t S- }+ B
5 R# R' u( m' m+ @$ L5 ^1 _% z, E4 K1 B, t codepage=936 简体中文GBK1 X% k0 x* V! i G2 j
: Z; |; C& J4 r! a6 v
codepage=950 繁体中文BIG5* e0 a' ~# n( ]( b4 F! w0 H
# j3 g1 B9 Z1 G& q2 i+ Q codepage=437 美国/加拿大英语' V. ^% Z" Z' F
: `1 @: ?8 e, I2 O- G
codepage=932 日文8 y0 c9 K8 g6 o- B5 o0 k& D
6 {: @7 H0 x* r& o' p
codepage=949 韩文
" ]' h9 p7 _, p1 H2 M
/ a6 `) W# E4 Q6 t7 c0 Q! T5 f; l codepage=866 俄文
. L7 i$ v5 t7 F$ l4 H7 N
% k' a ]) k8 N. ` codepage=65001 unicode UFT-8
* ^" F3 h! O) {5 p& J
- ~. V# b1 i% i& C' b: L 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。
/ q8 r8 J% y" X+ G) F, H$ p7 y
4 u) P. I( t9 @9 Y, j6 g; o, ^, k3 Y 从936中随意取一行，例如：
6 @5 m' d: c# ?8 \8 y6 U- G
4 X: r6 N T, T& V* l F& U7 i 0x9993 0x6ABD #CJK UNIFIED IDEOGRAPH
$ b+ y* C9 T }' ~) H
: _4 a" B4 R: P5 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 g% o$ L7 B# r7 V
7 j) Q" d0 I7 C' 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?
0 ^6 N# m) m! I, m% U9 x' Y
+ y. B* C5 H+ W$ {# } ] 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?
+ {0 v( r7 B9 B9 r |2 v+ V' J, s& V# I) w0 V" S9 Y
例：
/ \# \8 m" f+ X' e2 d. r
% v% p* I6 C2 k0 i3 j; w E4 BD A0 11100100 10111101 10100000
6 R# x: x: @, y1 Q6 ]0 m5 I; t/ h6 v( Y L9 ^
这是“你”字的UTF-8编码
( R" L% j }1 N) R) J" p
3 p3 f) _. w' q& M% P6 a 4F 60 01001111 01100000
" ~, F1 y7 R2 e4 n! U1 Y: b- I) b% E8 X& x% ^: l1 h/ M1 s
这是“你”的Unicode编码0 ], H4 m7 Z0 I; R N
' i: B+ ^# K* y( X7 D$ N8 ` 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。
7 H! s+ j' P" b
2 O2 s5 I* x. X 以下是Unicode和UTF-8之间的转换关系表：9 w2 K' }5 V$ K- ^
6 r6 I% Y4 r2 l
U-00000000 - U-0000007F: 0xxxxxxx
* N# `. G' M3 g! B: A
" D; ~$ O+ Z1 K0 w+ b9 @ U-00000080 - U-000007FF: 110xxxxx 10xxxxxx, \' ]% l' R7 f) F8 j2 T) Q3 y
" e& P$ \8 a2 T! z9 H U-00000800 - U-0000FFFF: 1110xxxx 10xxxxxx 10xxxxxx; O7 W8 U! c ^5 o2 @
* T* [ H6 v* u( Z, | U-00010000 - U-001FFFFF: 11110xxx 10xxxxxx 10xxxxxx 10xxxxxx& v: [' c0 u5 t1 \; _
1 S9 R7 |( @/ K7 y7 z U-00200000 - U-03FFFFFF: 111110xx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx
/ G( I0 b7 e5 f2 s9 H
- F2 T" L8 t1 Q7 J( t U-04000000 - U-7FFFFFFF: 1111110x 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx
. {( R: h7 z% `, ]. n$ e. R
! a% i p7 N9 j/ f- h$ n+ @ 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
| 