1. 论坛系统升级为Xenforo,欢迎大家测试!
    排除公告

析Unicode和UTF-8

本帖由 kamsang2006-05-28 发布。版面名称:后端开发

  1. kamsang

    kamsang New Member

    注册:
    2005-10-05
    帖子:
    9,080
    赞:
    58
    析Unicode和UTF-8

    http://blog.csdn.net/lesterjames/archive/2005/09/28/491619.aspx

    1. 各地的方言

      首先说明一下现在常用的一些编码方案:

    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。

    ■ 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。



    2. 台湾,香港等地使用的是BIG5编码

    3. 日本:SJIS编码

    2. Unicode

      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。

      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。

    UCS-2 与UCS-4

      Unicode的学名是"Universal Multiple-Octet Coded Character Set",简称为UCS。

      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。

      UCS-2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

      20000-20FFF - 21000-21FFF - 22000-22FFF - 23000-23FFF - 24000-24FFF - 25000-25FFF -   26000-26FFF - 27000-27FFF - 28000-28FFF - 29000-29FFF - 2A000-2AFFF - 2F000-2FFFF

      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。

    3. 兼容codepage

      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。

      什么是codepage?codepage就是各国的文字编码和Unicode之间的映射表。

      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。

    codepage=936 简体中文GBK

    codepage=950 繁体中文BIG5

    codepage=437 美国/加拿大英语

    codepage=932 日文

    codepage=949 韩文

    codepage=866 俄文

    codepage=65001 unicode UFT-8



    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。



    从936中随意取一行,例如:

    0x9993 0x6ABD #CJK UNIFIED IDEOGRAPH

    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。



    4. UTF-8

      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?

      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?

    例:

    E4 BD A0        11100100 10111101 10100000

    这是“你”字的UTF-8编码

    4F 60          01001111 01100000

    这是“你”的Unicode编码



    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。



    以下是Unicode和UTF-8之间的转换关系表:

    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。
     
  2. shu_yu

    shu_yu New Member

    注册:
    2006-03-19
    帖子:
    355
    赞:
    0
  3. alistorm

    alistorm New Member

    注册:
    2006-05-29
    帖子:
    273
    赞:
    2