登录  
 加关注
   显示下一条  |  关闭
温馨提示!由于新浪微博认证机制调整,您的新浪微博帐号绑定已过期,请重新绑定!立即重新绑定新浪微博》  |  关闭

lgjmfyx的博客

享受生活每一天

 
 
 

日志

 
 

什么是Unicode?什么是UTF-8?  

2009-01-05 10:40:53|  分类: 计算机基础 |  标签: |举报 |字号 订阅

  下载LOFTER 我的照片书  |

什么是Unicode?什么是UTF-8?UCS


  首先说明一下现在常用的一些编码方案:

  薄⒃谥泄舐阶畛S玫木褪荊BK18030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。

  病⑻ㄍ澹愀鄣鹊厥褂玫氖荁IG5编码

  场⑷毡荆篠JIS编码

  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。

  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。

  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。

  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UnicodeUTF-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。



引文来源  什么是Unicode?什么是UTF-8?UCS - TSHACKLI§MA的日志 - 网易博客
  评论这张
 
阅读(457)| 评论(0)

历史上的今天

评论

<#--最新日志,群博日志--> <#--推荐日志--> <#--引用记录--> <#--博主推荐--> <#--随机阅读--> <#--首页推荐--> <#--历史上的今天--> <#--被推荐日志--> <#--上一篇,下一篇--> <#-- 热度 --> <#-- 网易新闻广告 --> <#--右边模块结构--> <#--评论模块结构--> <#--引用模块结构--> <#--博主发起的投票-->
 
 
 
 
 
 
 
 
 
 
 
 
 
 

页脚

网易公司版权所有 ©1997-2018