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：
#j#A#}u+kS L (~[%I2b?2g7b QOH8o-f
　　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。-KaW3V1f
wM9vu be6E
　　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。
@zf7H~;f-a
!BG| A*^|\ 　　2、台湾，香港等地使用的是BIG5编码S-m2d,D OJ%B
DLHm'v}c]
[v
　　3、日本：SJIS编码9OJ'W fr6B'_1Q-T_V

t(aT:U{U
QI+fj 　　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。
5bWW"n!T!{{ $Zh~z5q@]e
　　在这种语言环境下，不会再有语言的编码冲突，在同屏下，可以显示任何语言的内容，这就是Unicode的最大好处。那么Unicode是如何编码的呢? 其实非常简单。就是将世界上所有的文字用2个字节统一进行编码。可能你会问，2个字节最多能够表示65536个编码，够用吗?韩国和日本的大部分汉字都是从中国传播过去的，字型是完全一样的。　　比如：“文”字，GBK和SJIS中都是同一个汉字，只是编码不同而已。那样，像这样统一编码，2个字节就已经足够容纳世界上所有的语言的大部分文字了。7jvb] cyt@*y b
_&\~x-XFy3s
　　Unicode的学名是"Universal Multiple-Octet Coded Character Set"，简称为UCS。
3V3|]$j8t,dO 4_:HC4y6NXy6z
　　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FII4i#PD
(B_GTaS2qF
　　20000-20FFF - 21000-21FFF - 22000-22FFF - 23000-23FFF - 24000-24FFF - 25000-25FFF - 　　26000-26FFF - 27000-27FFF - 28000-28FFF - 29000-29FFF - 2A000-2AFFF - 2F000-2FFFF
s7JS?;E|Q f
Wn1D]g^[N#_ 　　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。
"vf])k)WI2jT#Y+ge
3KN4X#^^8Gq#h@ d)_ 　　什么是codepage?codepage就是各国的文字编码和Unicode之间的映射表。
-T)D-h,e|z (SChK5Bz[9N
　　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。
je w w%[sm#R)} "o-O-w1j]QP+jX
　　codepage=936 简体中文GBK
/^3k-h I,r
{-o "?UL0\j5Q,j"FO;mS {
　　codepage=950 繁体中文BIG5e@CK%{v

g| P!f3vX~ t 　　codepage=437 美国/加拿大英语
D6H;e ^,[/x .x%F,tekNgu
　　codepage=932 日文U\tl@"D.Q
7]h2O2e!A-R
　　codepage=949 韩文
[?u*l jCwAM9o
"U8\_b!cW/]!S 　　codepage=866 俄文
lR?!~i6|.{;L
4{%eU(pH+w 　　codepage=65001 unicode UFT-8
a9EC7M M%u +p
FI(`u2L%n
　　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。mP
H M/m
#XQ"M"of Dw
　　从936中随意取一行，例如：
6L ^)Ws/hl
)B^
tdZ7MR 　　0x9993 0x6ABD #CJK UNIFIED IDEOGRAPHCev}m&h4}.c7yU4|
J(}"Z dUo
　　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。
(gL2h CBm]9ED
%\ o6Hym^G"F DC+Z'Rx 　　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?r W&}k1BL&h7y%m

M2rYna\ns 　　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?6F4|(b4iXM7Wt a

b$MIV"jXQs }D 　　例：bm@3q+S#W+qg

1Qd%uAU+J;?%B 　　E4 BD A0　　　　　　　　11100100 10111101 10100000
(a |;]l,\-P 6v.m]k9fts
　　这是“你”字的UTF-8编码
?9Wc/Y `-_
pG!`)[5l3s.}
　　4F 60　　　　　　　　　　01001111 01100000
fV jBv];U;z |4wa.].lp
　　这是“你”的Unicode编码
c7L S F7PZ3\Rd
&T&yWXFB E$FV 　　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。
^8^,L B!DH%G0}6r )m
[i,A;E
　　以下是Unicode和UTF-8之间的转换关系表：&?4K#V_kJ

0@*ff^ ~*cB3ANw 　　U-00000000 - U-0000007F: 0xxxxxxx2X|e8DCg2`)]

4T}/s|kr 　　U-00000080 - U-000007FF: 110xxxxx 10xxxxxx
u(R.K5vp r8`4Gln$f (zeh+h(Pi
　　U-00000800 - U-0000FFFF: 1110xxxx 10xxxxxx 10xxxxxx
TtJ]"{9J mp 8Ru2mk3g
E/`
　　U-00010000 - U-001FFFFF: 11110xxx 10xxxxxx 10xxxxxx 10xxxxxxz|4Cu)}lY6q m
(?}r*A.~+h`D2`q'q
　　U-00200000 - U-03FFFFFF: 111110xx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx&MQ$s+neC/m/q
^$j5tEC!LZ'iS/y
　　U-04000000 - U-7FFFFFFF: 1111110x 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx4C1d)PpEA'cng2Hl
3V/CH8{;j]
　　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