DIV CSS 佈局教程網

 DIV+CSS佈局教程網 >> 網頁腳本 >> HTML基礎知識 >> 關於HTML >> 名詞解釋:Unicode和UTF-8
名詞解釋:Unicode和UTF-8
編輯:關於HTML     

一直在編碼方面要求不是很高,所以對Unicode和UTF-8也不甚了解。

  最近偶然翻到一篇UTF-8的文章,感覺解釋的非常繁雜,因此才想到重新寫一篇簡單易懂一點的。

  首先說明一下現在常用的一些編碼方案:
  1、在中國,大陸最常用的就是GBK18030編碼,除此之外還有GBK,GB2312,這幾個編碼的關系是這樣的。

最早制定的漢字編碼是GB2312,包括6763個漢字和682個其它符號
95年重新修訂了編碼,命名GBK1.0,共收錄了21886個符號。
之後又推出了GBK18030編碼,共收錄了27484個漢字,同時還收錄了藏文、蒙文、維吾爾文等主要的少數民族文字,現在WINDOWS平台必需要支持GBK18030編碼。

按照GBK18030、GBK、GB2312的順序,3種編碼是向下兼容,同一個漢字在三個編碼方案中是相同的編碼。

  2、台灣,香港等地使用的是BIG5編碼
  3、日本:SJIS編碼

  如果把各種文字編碼形容為各地的方言,那麼Unicode就是世界各國合作開發的一種語言。
  在這種語言環境下,不會再有語言的編碼沖突,在同屏下,可以顯示任何語言的內容,這就是Unicode的最大好處。

  那麼Unicode是如何編碼的呢?其實非常簡單。
  就是將世界上所有的文字用2個字節統一進行編碼。可能你會問,2個字節最多能夠表示65536個編碼,夠用嗎?
  韓國和日本的大部分漢字都是從中國傳播過去的,字型是完全一樣的。
  比如:“文”字,GBK和SJIS中都是同一個漢字,只是編碼不同而已。
  那樣,像這樣統一編碼,2個字節就已經足夠容納世界上所有的語言的大部分文字了。

  Unicode的學名是"Universal Multiple-Octet Coded Character Set",簡稱為UCS。
  現在用的是UCS-2,即2個字節編碼,而UCS-4是為了防止將來2個字節不夠用才開發的。UCS-2也稱為基本多文種平面。
  UCS-2轉換到UCS-4只是簡單的在前面加2個字節0。
  UCS-4則主要用於保存輔助平面,例如Unicode 4.0中的第二輔助平面
  20000-20FFF - 21000-21FFF - 22000-22FFF - 23000-23FFF - 24000-24FFF - 25000-25FFF -   26000-26FFF - 27000-27FFF - 28000-28FFF - 29000-29FFF - 2A000-2AFFF - 2F000-2FFFF
  總共增加了16個輔助平面,由原先的65536個編碼擴展至將近100萬編碼。

  那麼既然統一了編碼,如何兼容原先各國的文字編碼呢?
  這個時候就需要codepage了。
  什麼是codepage?codepage就是各國的文字編碼和Unicode之間的映射表。
  比如簡體中文和Unicode的映射表就是CP936,點這裡查看官方的映射表。

  以下是幾個常用的codepage,相應的修改上面的地址的數字即可。
codepage=936 簡體中文GBK
codepage=950 繁體中文BIG5
codepage=437 美國/加拿大英語
codepage=932 日文
codepage=949 韓文
codepage=866 俄文
codepage=65001 unicode UFT-8

最後一個65001,據個人理解,應該只是一個虛擬的映射表,實際只是一個算法而已。

從936中隨意取一行,例如:
0x9993 0x6ABD #CJK UNIFIED IDEOGRAPH
前面的編碼是GBK的編碼,後面的是Unicode。
通過查這張表,就能簡單的實現GBK和Unicode之間的轉換。


  現在明白了Unicode,那麼UTF-8又是什麼呢?又為什麼會出現UTF-8呢?

  ASCII轉換成UCS-2,只是在編碼前插入一個0x0。用這些編碼,會包括一些控制符,比如 或 /,這在UNIX和一些C函數中,將會產生嚴重錯誤。因此可以肯定,UCS-2不適合作為Unicode的外部編碼。

  因此,才誕生了UTF-8。那麼UTF-8是如何編碼的?又是如何解決UCS-2的問題呢?

例:
E4 BD A0        11100100 10111101 10100000
這是“你”字的UTF-8編碼
4F 60          01001111 01100000
這是“你”的Unicode編碼

按照UTF-8的編碼規則,分解如下:xxxx0100 xx111101 xx100000
把除了x之外的數字拼接在一起,就變成“你”的Unicode編碼了。
注意UTF-8的最前面3個1,表示整個UTF-8串是由3個字節構成的。
經過UTF-8編碼之後,再也不會出現敏感字符了,因為最高位始終為1。

以下是Unicode和UTF-8之間的轉換關系表:

U-00000000 - U-0000007F: 0xxxxxxx
U-00000080 - U-000007FF: 110xxxxx 10xxxxxx
U-00000800 - U-0000FFFF: 1110xxxx 10xxxxxx 10xxxxxx
U-00010000 - U-001FFFFF: 11110xxx 10xxxxxx 10xxxxxx 10xxxxxx
U-00200000 - U-03FFFFFF: 111110xx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx
U-04000000 - U-7FFFFFFF: 1111110x 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx

Unicode編碼轉換到UTF-8,簡單的把Unicode字節流套到x中就變成UTF-8了。

XML學習教程| jQuery入門知識| AJAX入門| Dreamweaver教程| Fireworks入門知識| SEO技巧| SEO優化集錦|
Copyright © DIV+CSS佈局教程網 All Rights Reserved