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：rJ }4^
Z z)P:p

*N%[i@
U#FCCcp9Q 　　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。
ES;P(o5q$xmCB
4E&U@n9wdK 　　最早制定的汉字编码是GB2312，包括6763个汉字和682个其它符号；95年重新修订了编码，命名GBK1.0，共收录了21886个符号。之后又推出了GBK18030编码，共收录了27484个汉字，同时还收录了藏文、蒙文、维吾尔文等主要的少数民族文字，现在WINDOWS平台必需要支持 GBK18030编码。按照GBK18030、GBK、GB2312的顺序，3种编码是向下兼容，同一个汉字在三个编码方案中是相同的编码。U | xee(|zjT
'CVlMD0Y%P(T
　　2、台湾，香港等地使用的是BIG5编码
su} b%T1FF 9RqFw&`q8C
　　3、日本：SJIS编码
?#E
Q;ACX!f5{T
n
!j_dDhL2Jz'vglr 　　如果把各种文字编码形容为各地的方言，那么Unicode就是世界各国合作开发的一种语言。
/d0i] i E'_v:z1W
l
M e K!cAg/AI 　　在这种语言环境下，不会再有语言的编码冲突，在同屏下，可以显示任何语言的内容，这就是Unicode的最大好处。那么Unicode是如何编码的呢? 其实非常简单。就是将世界上所有的文字用2个字节统一进行编码。可能你会问，2个字节最多能够表示65536个编码，够用吗?韩国和日本的大部分汉字都是从中国传播过去的，字型是完全一样的。　　比如：“文”字，GBK和SJIS中都是同一个汉字，只是编码不同而已。那样，像这样统一编码，2个字节就已经足够容纳世界上所有的语言的大部分文字了。Nu+Y:fo|/M$K
;|E\$` o#d
　　Unicode的学名是"Universal Multiple-Octet Coded Character Set"，简称为UCS。
`bh5M]+K.Gt
V
-Z ]e0q+_/pZ4W|!Q 　　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
,e&Zj E"Tf^ |jZS2s2tc5p
　　20000-20FFF - 21000-21FFF - 22000-22FFF - 23000-23FFF - 24000-24FFF - 25000-25FFF - 　　26000-26FFF - 27000-27FFF - 28000-28FFF - 29000-29FFF - 2A000-2AFFF - 2F000-2FFFF
h VQ1N#t7q Z!k%h8lkZ Zm9N
　　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。0NLeLA&N4RL

M'Za3Lg_9F| 　　什么是codepage?codepage就是各国的文字编码和Unicode之间的映射表。3v;H:r
W!n3GBHg'T
U0OUCi9Q Oh
　　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。
bW~ E'p~ ddgjxP
　　codepage=936 简体中文GBK
}Lu;b7G{BI/F 4V!ij3M6z3@
　　codepage=950 繁体中文BIG5
6F OCn [k 6xPuV @"}3mD
　　codepage=437 美国/加拿大英语
(Wd4v4aZ | E
!J7n,O`Q5ql&B/H 　　codepage=932 日文%[q]g!o%J6]
8X8z8w#Q3L0sC
　　codepage=949 韩文C,|y8? H2_
0e;HYY&O;g
　　codepage=866 俄文
uJ'@8c?)n x TGeI
v@|)[/AZ
Wc\ 　　codepage=65001 unicode UFT-82k6X6P6z n{t%S$p&x4g
uhg?V:~Y+p
　　最后一个65001，据个人理解，应该只是一个虚拟的映射表，实际只是一个算法而已。
0e
c/^C,O#x
"Qm1f8X#c.tr!? 　　从936中随意取一行，例如：
k5m!Vh&Hq
zFH3_7`2v6Tx 　　0x9993 0x6ABD #CJK UNIFIED IDEOGRAPH
2k].l?'G-n C3`7[
Q a ]'j)gG/c)E 　　前面的编码是GBK的编码，后面的是Unicode。通过查这张表，就能简单的实现GBK和Unicode之间的转换。
B*Y:nXa}J &m2x!\O/|${Eb
　　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?
P*_siK!STA 0?N
JScj.SM
　　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?
"i
] fK"P -y3il J3v$y$n
　　例：:iO$N+p@V
$W4d~ ZJP B
　　E4 BD A0　　　　　　　　11100100 10111101 10100000o2@$Tn@B2A5`2Gb

+F`lO5Sc7w"G1Vj 　　这是“你”字的UTF-8编码#Y0u-T?h g3hmB
2Lb b4[$T
KbF
　　4F 60　　　　　　　　　　01001111 01100000
/{&X6GC1a!E6p;}_~
4D_0K7lw 　　这是“你”的Unicode编码8| \\&h X&C6z

h:~2bIlM
w` 　　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。
5a%W3aW
v1n LC
SSr6xB1] 　　以下是Unicode和UTF-8之间的转换关系表：
!e&LF&e#F;V~
jA[7p7R\j7hs9[#a
　　U-00000000 - U-0000007F: 0xxxxxxx
2g,wRk~I3?9w;B#g F)uA
O~*Qg W
　　U-00000080 - U-000007FF: 110xxxxx 10xxxxxx
YZd?P+W&T^
Oz'icf2Z)ve 　　U-00000800 - U-0000FFFF: 1110xxxx 10xxxxxx 10xxxxxx0] Q{t\3];r&q

P4dB6gGa 　　U-00010000 - U-001FFFFF: 11110xxx 10xxxxxx 10xxxxxx 10xxxxxx
@$@onKTRa
,fQYVP4z'oO)j 　　U-00200000 - U-03FFFFFF: 111110xx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx
-|ln?A5}(Q6ez9t
8q*c.}a8[YB6a)o 　　U-04000000 - U-7FFFFFFF: 1111110x 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxxrM0?2@a$xQ X G
#e2p%kULw%R:Ne.E
　　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