分类：
2009-11-19 10:19:35
|
如果以下资料看完还不会选择的话，我就不知道该说什么了。我个人使用的是UTF8代码，不过在中国区域内GB通用一些，而UTF8的国际通用一些，使用UTF8并不是就不爱国了。我们能够正常浏览到韩国、日本的网站，其实正常浏览的这些网站都是采用UTF8的格式。
我们打开各大型网站现在普遍采用的都是 GB 格式，例如百度、QQ、163、dvbbs、bbsxp等，而少部分使用UTF例如google。 对于系统 gb应该是可以的，我使用UTF格式的原因是采用了系统，在更换空间的时候出现了问题。在PHP配合的保存格式也分为几种，一般默认就是UTF，所以我就采用了UTF。 再者，非特殊情况下很少有外文操作系统来访问一般的中文站点的，而当你规模大了后在转换也不迟。经常访问中文的外国朋友，他们一定会在自己的操作系统里面安装GB相关的支持插件或补丁的。所以这个不用担心。 废话少说，看后面的资料吧。 GBK与UTF-8的区别 GBK的文字编码是双字节来表示的，即不论中、英文字符均使用双字节来表示，只不过为区分中文，将其最高位都定成1。 至于UTF－8编码则是用以解决国际上字符的一种多字节编码，它对英文使用8位（即一个字节），中文使用24位（三个字节）来编码。对于英文字符较多的论坛则用UTF－8节省空间。 GBK包含全部中文字符； UTF-8则包含全世界所有国家需要用到的字符。 GBK是在国家标准GB2312基础上扩容后兼容GB2312的标准（好像还不是国家标准） UTF-8编码的文字可以在各国各种支持UTF8字符集的浏览器上显示。 比如，如果是UTF8编码，则在外国人的英文IE上也能显示中文，而无需他们下载IE的中文语言支持包。 所以，对于英文比较多的论坛 ，使用GBK则每个字符占用2个字节，而使用UTF－8英文却只占一个字节。 UTF8是国际编码，它的通用性比较好，外国人也可以浏览论坛 GBK是国家编码，通用性比UTF8差，不过UTF8占用的数据库比GBK大~ 对于DZ论坛来说，很多插件都只支持GBK的，如果需要装较多插件的论坛还是用GBK比较好，而对装较少插件且有特殊群的论坛用UTF8比较好。 GB2312是GBK的子集，GBK是GB18030的子集 GBK是包括中日韩字符的大字符集合 如果是中文的网站 推荐GB2312 GBK有时还是有点问题 为了避免所有乱码问题，应该采用UTF-8，将来要支持国际化也非常方便 UTF-8可以看作是大字符集，它包含了大部分文字的编码。 使用UTF-8的一个好处是其他地区的用户（如香港台湾）无需安装简体中文支持就能正常观看你的文字而不会出现乱码。 词条：UTF8 UTF8并不算是一种电脑编码，而是一种储存和传送的格式，如前所述，每个Unicode/UCS字符都以 2或4个bytes来储存，看看以下的比较： 以"I am Chinese"为例 用ANSI储存：12 Bytes 用Unicode/UCS2储存：24 Bytes + 2 Bytes(header) 用UCS4储存：48 Bytes + 4 Bytes(header) 以"我是中国人"为例 用ANSI储存：10 Bytes 用Unicode/UCS2储存：10 Bytes + 2 Bytes(header) 用UCS4储存：20 Bytes + 4 Bytes(header) 由此可见直接以Unicode/UCS的原始形式来储存是一种极大的浪费，而且也不利于互联网的传输(中文稍为合算一点^_^)。 有见及此，Unicode/UCS的压缩形式－－UTF8出现了，套用官方网站的首句话『UTF-8 stands for Unicode Transformation Format-8. It is an octet (8-bit) lossless encoding of Unicode characters.』，由于UTF也适用于编码UCS，故亦可称为『UCS transformation formats (UTF)』 UTF8是以8bits即1Bytes为编码的最基本单位，当然也可以有基于16bits和32bits的形式，分别称为UTF16和UTF32，但目前用得不多，而UTF8则被广泛应用在文件储存和网络传输中。 编码原理 先看这个模板： UCS-4 range (hex.) UTF-8 octet sequence (binary) 0000 0000-0000 007F 0xxxxxxx 0000 0080-0000 07FF 110xxxxx 10xxxxxx 0000 0800-0000 FFFF 1110xxxx 10xxxxxx 10xxxxxx 0001 0000-001F FFFF 11110xxx 10xxxxxx 10xxxxxx 10xxxxxx 0020 0000-03FF FFFF 111110xx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx 0400 0000-7FFF FFFF 1111110x 10xxxxxx ... 10xxxxxx 编码步骤： 1) 首先确定需要多少个8bits(octets) 2) 按照上述模板填充每个octets的高位bits 3) 把字符的bits填充至x中，字符顺序：低位→高位，UTF8顺序：最后一个octet的最末位x→第一个octet最高位x 4) 解码的原理一样。 实例：(留意每个bit的颜色，粗体字为模板内容) UCS-4 UTF-8 HEX BIN Bytes BIN HEX Bytes 0000 000A 00001010 4 00001010 0A 1 0000 0099 10011001 4 11000010 10011001 C2 99 2 0000 8D99 10001101 10011001 4 11101000 10110110 10011001 E8 B6 99 3 不知大家看懂了没有，其实不懂也无所谓，反正又不用自己算，程式可以完全代劳。 以UTF8格式储存的文件档首标识为EF BB BF。 效率 从上述编码原理中得出的结论是： 1.每个英文字母、数字所占的空间为1 Byte； 2.泛欧语系、斯拉夫语字母占2 Bytes； 3.汉字占3 Bytes。 由此可见UTF8对英文来说是个非常诱人的方案，但对中文来说则不太合算，无论用ANSI还是 Unicode/UCS2来编码都只用2 Bytes，但用UTF8则需要3 Bytes。 以下是一些统计资料，显示用UTF8来储存文件每个字符所需的平均字节： 1.拉丁语系平均用1.1 Bytes； 2.希腊文、俄文、阿拉伯文和希伯莱文平均用1.7 Bytes； 3.其他大部份文字如中文、日文、韩文、Hindi(北印度语)用约3 Bytes； 4.用超过4 Bytes的都是些非常少用的文字符号。 词条：GB2312 字符必须编码后才能被计算机处理。计算机使用的缺省编码方式就是计算机的内码。早期的计算机使用7位的ASCII编码，为了处理汉字，程序员设计了用于简体中文的GB2312和用于繁体中文的big5。 GB2312(1980年)一共收录了7445个字符，包括6763个汉字和682个其它符号。汉字区的内码范围高字节从B0-F7，低字节从A1-FE，占用的码位是72*94=6768。其中有5个空位是D7FA-D7FE。 GB2312支持的汉字太少。1995年的汉字扩展规范GBK1.0收录了21886个符号，它分为汉字区和图形符号区。汉字区包括21003个字符。2000年的GB18030是取代GBK1.0的正式国家标准。该标准收录了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。现在的PC平台必须支持GB18030，对嵌入式产品暂不作要求。所以手机、MP3一般只支持GB2312。 从ASCII、GB2312、GBK到GB18030，这些编码方法是向下兼容的，即同一个字符在这些方案中总是有相同的编码，后面的标准支持更多的字符。在这些编码中，英文和中文可以统一地处理。区分中文编码的方法是高字节的最高位不为0。按照程序员的称呼，GB2312、GBK到GB18030都属于双字节字符集 (DBCS)。 有的中文的缺省内码还是GBK，可以通过GB18030升级包升级到GB18030。不过GB18030相对GBK增加的字符，普通人是很难用到的，通常我们还是用GBK指代中文Windows内码。 这里还有一些细节： GB2312的原文还是区位码，从区位码到内码，需要在高字节和低字节上分别加上A0。 在DBCS中，GB内码的存储格式始终是big endian，即高位在前。 GB2312的两个字节的最高位都是1。但符合这个条件的码位只有128*128=16384个。所以GBK和GB18030的低字节最高位都可能不是1。不过这不影响DBCS字符流的解析：在读取DBCS字符流时，只要遇到高位为1的字节，就可以将下两个字节作为一个双字节编码，而不用管低字节的高位是什么。 UNICODE,GBK,UTF-8区别 最近迷上改魔兽地图，破解解压修改挺好玩的～ 有个文件头的问题，搞了半天才知原来是utf-8码．．．总算把这些都搞清楚了． 简单来说，unicode，gbk和大五码就是编码的值，而utf-8,uft-16之类就是这个值的表现形式．而前面那三种编码是一兼容的，同一个汉字，那三个码值是完全不一样的．如＂汉＂的uncode值与gbk就是不一样的，假设uncode为a040，gbk为b030，而uft-8码，就是把那个值表现的形式．utf-8码完全只针对uncode来组织的，如果ＧＢＫ要转ＵＴＦ－８必须先转uncode码，再转utf-8就ＯＫ了． 详细的就见下面转的这篇文章． 谈谈Unicode编码，简要解释UCS、UTF、BMP、BOM等名词 |
