一直在編碼方面要求不是很高，所以對(duì)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(jiǎn)單易懂一點(diǎn)的。


　　首先說明一下現(xiàn)在常用的一些編碼方案：
　?。?、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(gè)編碼的關(guān)系是這樣的。
最早制定的漢字編碼是GB2312，包括6763個(gè)漢字和682個(gè)其它符號(hào)
95年重新修訂了編碼，命名GBK1.0，共收錄了21886個(gè)符號(hào)。
之后又推出了GBK18030編碼，共收錄了27484個(gè)漢字，現(xiàn)在WINDOWS平臺(tái)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(gè)漢字在三個(gè)編碼方案中是相同的編碼。

　?。?、臺(tái)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，那么Unicode就是世界各國合作開發(fā)的一種語言。
　　在這種語言環(huán)境下，不會(huì)再有語言的編碼沖突，在同屏下，可以顯示任何語言的內(nèi)容，這就是Unicode的最大好處。

　　那么Unicode是如何編碼的呢？其實(shí)非常簡(jiǎn)單。
　　就是將世界上所有的文字用２個(gè)字節(jié)統(tǒng)一進(jìn)行編碼?？赡苣銜?huì)問，２個(gè)字節(jié)最多能夠表示65536個(gè)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(gè)漢字，只是編碼不同而已。
　　那樣，像這樣統(tǒng)一編碼，２個(gè)字節(jié)就已經(jīng)足夠容納世界上所有的語言的大部分文字了。

　　Unicode的學(xué)名是"Universal Multiple-Octet Coded Character Set"，簡(jiǎn)稱為UCS。
　　現(xiàn)在用的是UCS-2，即２個(gè)字節(jié)編碼，而UCS-4是為了防止將來２個(gè)字節(jié)不夠用才開發(fā)的。UCS-2也稱為基本多文種平面。
　　UCS-2轉(zhuǎn)換到UCS-4只是簡(jiǎn)單的在前面加２個(gè)字節(jié)0。
　　UCS-4則主要用于保存輔助平面，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(gè)輔助平面，由原先的65536個(gè)編碼擴(kuò)展至將近100萬編碼。

　　那么既然統(tǒng)一了編碼，如何兼容原先各國的文字編碼呢？
　　這個(gè)時(shí)候就需要codepage了。
　　什么是codepage？codepage就是各國的文字編碼和Unicode之間的映射表。
　　比如簡(jiǎn)體中文和Unicode的映射表就是CP936，點(diǎn)這里查看官方的映射表。

　　以下是幾個(gè)常用的codepage，相應(yīng)的修改上面的地址的數(shù)字即可。
codepage=936 簡(jiǎn)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

最后一個(gè)65001，據(jù)個(gè)人理解，應(yīng)該只是一個(gè)虛擬的映射表，實(shí)際只是一個(gè)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，后面的是Unicode。
通過查這張表，就能簡(jiǎn)單的實(shí)現(xiàn)GBK和Unicode之間的轉(zhuǎn)換。


　　現(xiàn)在明白了Unicode，那么UTF-8又是什么呢？又為什么會(huì)出現(xiàn)UTF-8呢？

　　ASCII轉(zhuǎn)換成UCS-2，只是在編碼前插入一個(gè)0x0。用這些編碼，會(huì)包括一些控制符，比如 或 /，這在UNIX和一些C函數(shù)中，將會(huì)產(chǎn)生嚴(yán)重錯(cuò)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。那么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(guī)則，分解如下：xxxx0100 xx111101 xx100000
把除了x之外的數(shù)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(gè)1，表示整個(gè)UTF-8串是由３個(gè)字節(jié)構(gòu)成的。
經(jīng)過UTF-8編碼之后，再也不會(huì)出現(xiàn)敏感字符了，因?yàn)樽罡呶皇冀K為1。

以下是Unicode和UTF-8之間的轉(zhuǎn)換關(guān)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(zhuǎn)換到UTF-8,簡(jiǎn)單的把Unicode字節(jié)流套到x中就變成UTF-8了。

最新評(píng)論