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：4K'N-ez Ax?
*cG"Q-Q?c9J$h%o:K
　　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。
r0lh9uD -HT:u-Ay]Rf
　　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。
P)K)iN Dp
ba'i'n#Z/kan 　　2、台湾，香港等地使用的是BIG5编码
)c[aK'y:G0o0mw 7aH;`r.R m&X
　　3、日本：SJIS编码5D|%p)}P_a

4fDa)g 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。
L\!AEKs|? ~,p}l t:N n,K
　　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。 Rq8s'kCMA3a

T9F&L:m A*k 　　Unicode的学名是"Universal Multiple-Octet Coded Character Set"，简称为UCS。
rsx4]&F$a
/SJnsS{f-e(TlH 　　现在用的是UCS-2，即2个字节编码，而UCS-4是为了防止将来2个字节不够用才开发的。UCS-2也称为基本多文种平面，转换到UCS-4只是简单的在前面加2个字节0。UCS-4则主要用于保存辅助平面，例如Unicode 4.0中的第二辅助平面
}#NGkT?]
b+Y c9a"z&RgM7E3r"i 　　20000-20FFF - 21000-21FFF - 22000-22FFF - 23000-23FFF - 24000-24FFF - 25000-25FFF - 　　26000-26FFF - 27000-27FFF - 28000-28FFF - 29000-29FFF - 2A000-2AFFF - 2F000-2FFFF
jO{Nj7]0@9Z5q2\
C:XW-Gc!p 　　总共增加了16个辅助平面，由原先的65536个编码扩展至将近100万编码。那么既然统一了编码，如何兼容原先各国的文字编码呢?这个时候就需要codepage了。/Q9?k&Du
u/H"wp${0};{F
　　什么是codepage?codepage就是各国的文字编码和Unicode之间的映射表。U^*Bu+^/])`)l
eK}'KNzzkU
　　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。
^eb@k
D h-Z{,is A 　　codepage=936 简体中文GBK
O%ra!n6`(@s [R;D3] [2L
　　codepage=950 繁体中文BIG5
vRPf&FM#M}6A
pR)d o$W] r 　　codepage=437 美国/加拿大英语]
k8G@;IJ

(N?k M]l#bm 　　codepage=932 日文
4L9|Nhe~l4O,U` sou)eN9n`M f%a
　　codepage=949 韩文Wg)a+N:WK.ouF s|
xgLQ!w%~tB1K"Yj
　　codepage=866 俄文
5ELli)J _ ~,N
J-de_b rt)^.a 　　codepage=65001 unicode UFT-8
s` K {\]8Q Q { 9kS_(j6x"d)L}fh2H
　　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。
(hrv,~nDsD!N S
,^U4t8Tt}2i9D'@ 　　从936中随意取一行，例如：
`7`\Nd3U5p !V]9?h]5p%Y5U
　　0x9993 0x6ABD #CJK UNIFIED IDEOGRAPHFR q:Q`$UN%l
Wy-\8bU2E+WgJ
　　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。
0yjsP9rSD l1B 'Vp6eE,Niz1L(~*l
　　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? [T(j|#Zv0Z#l Y-x9sP

T)Z2TqpV/L | N 　　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?
HV;Y1s+S?BE
:l)btX'B&y.W6d 　　例：
XNIK)d#W-b0a u

UZ!i7] @ Ft 　　E4 BD A0　　　　　　　　11100100 10111101 10100000S7]X0eOe

cy}#azy 　　这是“你”字的UTF-8编码
(^-tGjY$G#S^
+y%~]3U#o(Hbj 　　4F 60　　　　　　　　　　01001111 01100000 Y]cAD+RJ

*VdZd3i&v,x 　　这是“你”的Unicode编码8{3e W%vXRh$Ln
y,Jo v6kz
^ d
　　按照UTF-8的编码规则，分解如下：xxxx0100 xx111101 xx100000，把除了x之外的数字拼接在一起，就变成“你”的Unicode编码了。注意UTF-8的最前面3个1，表示整个UTF-8串是由3个字节构成的。经过UTF-8编码之后，再也不会出现敏感字符了，因为最高位始终为1。
Y!};|@4]})WAL
T7Ga%P$f}8v 　　以下是Unicode和UTF-8之间的转换关系表：
B0Q[|%`b L u R0eM
　　U-00000000 - U-0000007F: 0xxxxxxx
d2I,Y7~(R
$Qd7ZM}R)de7] 　　U-00000080 - U-000007FF: 110xxxxx 10xxxxxx
M/m:e9`d:XR4a3_ +{m/~^v-_(K.J
　　U-00000800 - U-0000FFFF: 1110xxxx 10xxxxxx 10xxxxxxQ'u3]:_B%^3|

3q2?Vm&h 　　U-00010000 - U-001FFFFF: 11110xxx 10xxxxxx 10xxxxxx 10xxxxxx
&H4\(h
JS6U
!~,S*]~ f 　　U-00200000 - U-03FFFFFF: 111110xx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx
QG @+a2s dAGuD$ns2a
　　U-04000000 - U-7FFFFFFF: 1111110x 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx(W;E0q'V\,k&]~
^1{^Gm/[:Rt%{*w
　　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