[摘]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。

n         最早制定的汉字编码是GB2312，包括6763个汉字和682个其它符号

n         95年重新修订了编码，命名GBK1.0，共收录了21886个符号。

n         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http://www.unicode.org/Public/MAPPINGS/VENDORS/MICSFT/WINDOWS/CP936.TXT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。