捌玖网络工作室 » 建站交流 » HTML语言:什么是Unicode 什么是UTF-8

admin 发表于 2008-1-19 23:35

HTML语言:什么是Unicode 什么是UTF-8

Unicode和UTF-8在制作网页中对于很多人不是很了解，到底是什么样的概念希望通过本文可以让大家了解，首先说明一下现在常用的一些编码方案：*fJ,W^O#lP
M(Y'LB1U/]
　　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。6[iU-gs6c
&I[ ZOZY `.O
　　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。1zCLh*j ?]

2Ne*L,cJ {:`o2B{t~ 　　2、台湾，香港等地使用的是BIG5编码*Zpx9j&hX!Ms:it:SQ

v @(QS l c#Wk,r-oy 　　3、日本：SJIS编码
%uRA
DeX+`1Sf
A ^,M E,D 　　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。
)i_:H9k ?$yff5h +pFF8e_$BC
　　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。
p].Ik;zj;Swm
sA&w@a nqgc
　　Unicode的学名是"Universal Multiple-Octet Coded Character Set"，简称为UCS。kb]7T?+E
!V ~,T_t
　　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，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:@g"G+l;?C

l/NHv|F 　　20000-20FFF - 21000-21FFF - 22000-22FFF - 23000-23FFF - 24000-24FFF - 25000-25FFF - 　　26000-26FFF - 27000-27FFF - 28000-28FFF - 29000-29FFF - 2A000-2AFFF - 2F000-2FFFF
%Hd-i8n4K
`PFL2T;w6a 　　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。
1k4?*hf:ABn LY7aQT,ek Vo?
　　什么是codepage?codepage就是各国的文字编码和Unicode之间的映射表。
4lYs;M5U'r 8rrM hKRMW*U
　　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。0sl
j B~ y

*{
_s1KulN&^:m 　　codepage=936 简体中文GBK
?3V["NG"C Ka*_
p$tR ` Q1~
　　codepage=950 繁体中文BIG5
#lcBGC4g
af(~8R6S7dhvs|3h 　　codepage=437 美国/加拿大英语
"ASAM
dZ"@$t 2aWiV$X J(tJ
　　codepage=932 日文K:VP
^3KOE4C nmX

b+Z2y1h,Z} 　　codepage=949 韩文:sXdW&F*};jdND#e4q
"~p#G
uY:Ez
　　codepage=866 俄文 ?m!WY2A9D4E'sA6X*Y9jH

3CU;e~xl 　　codepage=65001 unicode UFT-8R JG8WNJ

G;mAQ-Ze2d%} 　　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。
Z#~@n8XKY tP'fi+q
#k1b-z*xJ 　　从936中随意取一行，例如：
e4aVl~ B0Li
:CM [)eG.K"J'S 　　0x9993 0x6ABD #CJK UNIFIED IDEOGRAPH5bR$]VI
y`$CI3b'El.y!OD
　　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。
V~"mdt;e dlW3P-\2W
　　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?'o/i?Rk4~pjW:J
#N%I-I3a!j/Y%L
yS
　　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?0g#yh3o"_2dI:Y,I

2VY5n Y0gh7Q M 　　例： h YC#I i'puU/|9N


\
R!x H
p5u:F 　　E4 BD A0　　　　　　　　11100100 10111101 10100000
"r2ZN:yc[p%Y+e
.Z,d2~0e$m 　　这是“你”字的UTF-8编码
tS D!B$mNZh F%p7x E6@FZ"LC
　　4F 60　　　　　　　　　　01001111 01100000
\tI yi%eTqi WC Gh\%i'Lgq5m
　　这是“你”的Unicode编码%p!^(A9PS-VV3m^
C6U]iM't
　　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。8W} Fu z^h ht1H

$} {lTvR 　　以下是Unicode和UTF-8之间的转换关系表：
d;~ NG!r5N,Y;v0j ]1?-p2Y@
　　U-00000000 - U-0000007F: 0xxxxxxxa)i.CfJ
Ho\&P:fSS5bj.\W
　　U-00000080 - U-000007FF: 110xxxxx 10xxxxxx8c F `] w,T2jL7|W
j4Eh,PQ"kQ7x3D `@9k
　　U-00000800 - U-0000FFFF: 1110xxxx 10xxxxxx 10xxxxxx
0Z:ULmT(a~_|

?0{o {*K xx$}y 　　U-00010000 - U-001FFFFF: 11110xxx 10xxxxxx 10xxxxxx 10xxxxxxvK;B QF!~

sY5Qdu_'b 　　U-00200000 - U-03FFFFFF: 111110xx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx
d7T'p b||*oV%q _{9Re-c-\%L2Be
　　U-04000000 - U-7FFFFFFF: 1111110x 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx
%W n,\(]~?&sJP
2jIpYB.z 　　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。

查看完整版本: HTML语言:什么是Unicode 什么是UTF-8