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：
,Ex)P-I\&n:^#Q$^
rA"UolE!s)G(Y 　　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。3RGqvg&W
+`@E6@Jr
　　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。(O_8W)d9h6i,~(Jb

eEK0R
e 　　2、台湾，香港等地使用的是BIG5编码
t*g-CW_%n] (jw?.T2UA9i;BX3X
　　3、日本：SJIS编码7v|-e&Xsw.~
DXH-@6U#{#N
　　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。BT z,kK_(h

/N7t0s][f!} 　　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。
"S8E3\E.N
!\HQQ'mk,MT 　　Unicode的学名是"Universal Multiple-Octet Coded Character Set"，简称为UCS。
;?0k)p+e:s:j+AC
gcKt9ua 　　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
O4]
|ULC_bj
!K2tA{~_7] 　　20000-20FFF - 21000-21FFF - 22000-22FFF - 23000-23FFF - 24000-24FFF - 25000-25FFF - 　　26000-26FFF - 27000-27FFF - 28000-28FFF - 29000-29FFF - 2A000-2AFFF - 2F000-2FFFFR,?.A6zf&]5S
r'zyb~0e^)~-@9\9o
　　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。
lN?JJ2k W{ Eq \ZNQC%\
　　什么是codepage?codepage就是各国的文字编码和Unicode之间的映射表。
mLt-u(OP1x l1]
5My |T7N-o,r&` 　　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。5Z|z0[A|z
v1b A EJx(B^!B
　　codepage=936 简体中文GBK2[0RGN~U}
5T:j1O0vB"Zi
　　codepage=950 繁体中文BIG5
t,f3L3P^
R]
GC!idsbc:_\!e!M 　　codepage=437 美国/加拿大英语
Fhs)U8Bv-NYH)k A/X uN]l{ bK W
　　codepage=932 日文
W{iGP }p 'C'B3qsh4^4T5f
　　codepage=949 韩文

K~"mA
v ]Y V6oq0PEjv:O
　　codepage=866 俄文
n"B$PO8FM\[6e7t u7K]4DO4jh!p
　　codepage=65001 unicode UFT-8
N D k O)uRu,} b:H P7H&g
　　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。
{wq*g"`Y:~
o {#G'i
a!jO/w 　　从936中随意取一行，例如：
E/fcL7p5W{7T&r
3|)[yg_VaKD 　　0x9993 0x6ABD #CJK UNIFIED IDEOGRAPH
"yZ&iE m&|7w't#tIRK
4fA(W0V v6OO 　　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。"j'{(jj @5JHA ?'C

s7y W\!wY 　　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?
`]8E8E!wH ] 5@ak PXg!sMo
　　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?t;L0kw.J G(Rv
"\ GMJyh
　　例：
O'|c i!|6p5NL *JCDV{J7?7R*]W;|
　　E4 BD A0　　　　　　　　11100100 10111101 101000001[6Zj[aw}7SrD
|x;O5Yh.h.t
　　这是“你”字的UTF-8编码8] d z0T9T3x"?t/`U*P

|czi[&q2@)^` 　　4F 60　　　　　　　　　　01001111 01100000S6e:a E)x
(a'K)Rl"e%q
　　这是“你”的Unicode编码
,K#R5F4i+WA1i-uD
gd1Y-_4v-j$W+^#m 　　按照UTF-8的编码规则，分解如下：xxxx0100 xx111101 xx100000，把除了x之外的数字拼接在一起，就变成“你”的Unicode编码了。注意UTF-8的最前面3个1，表示整个UTF-8串是由3个字节构成的。经过UTF-8编码之后，再也不会出现敏感字符了，因为最高位始终为1。"kZC.W^E(H
Na6~)Qu4z
　　以下是Unicode和UTF-8之间的转换关系表：
;|k"I!P7I5|#qK ,qs0|/j.`$ov
　　U-00000000 - U-0000007F: 0xxxxxxx
5Fd4A-\*N9r[8{r O v6z]+Kx"a
　　U-00000080 - U-000007FF: 110xxxxx 10xxxxxx*s!|3xid ?n&|H
Z-c2v Qf
　　U-00000800 - U-0000FFFF: 1110xxxx 10xxxxxx 10xxxxxx
igh1sm n s
g n Q#T*y2x0s0P\ 　　U-00010000 - U-001FFFFF: 11110xxx 10xxxxxx 10xxxxxx 10xxxxxx
9h1Xa%X6E\%F1f8A
!R0^$ZC9G G 　　U-00200000 - U-03FFFFFF: 111110xx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxxw2l0r5V:r8]

0@U7JuJX^$d3QG B 　　U-04000000 - U-7FFFFFFF: 1111110x 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx
C]']6['r6_
s[ M b(D9E9g$C"ws9N
　　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