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：1 f3 T( K( N9 ~" k( Q
! e) g2 {: [; z
　　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。
2 B) J# W7 E$ D( e; f1 B# h  ~) J
  ]) ~( x- A: n% T$ Z+ q4 t0 X3 F0 ~　　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。- z" Y  x9 p1 @  H

2 M* z+ h0 y9 V9 X8 V　　2、台湾，香港等地使用的是BIG5编码" l  O3 Y8 ]/ A
5 ?! Q4 U9 Q4 g
　　3、日本：SJIS编码
# H( k1 |9 T; O' }8 G5 ^3 \5 U
0 Z7 X7 P' F5 E2 [; s, A9 y) V: B5 t　　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。+ R' Z# P  R: h6 i

+ i5 ^& B1 J3 a: O4 S　　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。: f3 Y, h; z' H0 [
/ K' F! ^+ w0 h# [' g6 [
　　Unicode的学名是"Universal Multiple-Octet Coded Character Set"，简称为UCS。4 B" q+ A4 J% N! R# w  u. u! a
4 [9 T9 r  t3 `: L
　　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
( m# v. ?1 G1 F* E+ t9 @4 K' D( x
3 P, ]- w: t2 A  |: x7 ?% R' @/ T　　20000-20FFF - 21000-21FFF - 22000-22FFF - 23000-23FFF - 24000-24FFF - 25000-25FFF - 　　26000-26FFF - 27000-27FFF - 28000-28FFF - 29000-29FFF - 2A000-2AFFF - 2F000-2FFFF. @! ]9 {, P. _7 I

7 T8 \5 X' ?/ x　　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。
& w/ u5 I4 u" x! P6 }: M. ~, K% a. N6 m; q- m1 l
　　什么是codepage?codepage就是各国的文字编码和Unicode之间的映射表。
7 ^- S' y; L6 }5 T7 q- z" m* e0 n2 S8 j/ [) C+ c
　　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。1 r7 y9 }3 s0 Q2 h- |- Q

) F* K6 H6 n0 g$ f  @6 K　　codepage=936 简体中文GBK
6 B/ w! E' e0 T  |9 d! H
3 l. G0 {4 y3 A! a" |" x　　codepage=950 繁体中文BIG5: L  D* {% X; }* v

' X% @# N/ @! ~. Z* Z4 N5 B　　codepage=437 美国/加拿大英语
' [2 \2 f0 ^- ]' c
9 A8 S7 W* u; F　　codepage=932 日文
( q+ q+ F% y  A: L! E+ B8 \3 V3 r. R/ k
　　codepage=949 韩文6 B! W/ F0 R. }8 |
5 M# r6 D0 J) I' u! P/ A
　　codepage=866 俄文/ l  {! s0 `2 }+ T; ?

0 b7 O/ @0 H) u  ~! N- N4 o/ ]　　codepage=65001 unicode UFT-8! Z. H( `  {& Z! B' p% q; M4 S
# s( n  P/ a% `6 \1 i8 i. }
　　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。
- e: H/ x: ?' x: e: e- v4 A
3 V8 E) Z2 }  b* Y, s　　从936中随意取一行，例如：
, w& E. N  z/ o
9 e0 Z3 f/ A: W+ `0 y　　0x9993 0x6ABD #CJK UNIFIED IDEOGRAPH
. b; z" j) c- B. u4 A( P& i7 ~3 j, q+ G1 K& L3 \
　　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。
0 R, q9 v0 B% U& Z' g7 F; ~! q" G# q# G/ O  u
　　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?1 `) E0 e- Q' E& ]; d# a
3 y5 O. D/ \  V5 D4 k
　　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?% x1 H3 f9 X! Z6 P
0 H- I' Z2 |( d% s; p
　　例：$ x$ R* `: ?+ w& G& c4 I4 l
4 g" e+ {! x/ p. v
　　E4 BD A0　　　　　　　　11100100 10111101 10100000! l; M; R; X  O: q& q
& X( E7 W3 _$ W3 ~7 R; |$ O0 s
　　这是“你”字的UTF-8编码1 S, A6 Z2 p5 c& P! E

) o0 C5 E5 A3 y9 y　　4F 60　　　　　　　　　　01001111 01100000
  J- o4 G0 v7 B, j$ O. W+ E) |: M; W: x3 [+ G! j' j4 V
　　这是“你”的Unicode编码" d) X) a9 ?9 Z# X  Z

; J0 A' ?7 H* T  I, t  U1 n8 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。. W$ D4 T4 p4 ~3 w. E5 `7 k* Z

7 W1 H/ x3 N8 m　　以下是Unicode和UTF-8之间的转换关系表：
! H, b* P  H8 x& k* A. e+ i0 ^$ X
- m+ Z$ ~& g/ f　　U-00000000 - U-0000007F: 0xxxxxxx
: E5 v2 l2 \  x1 d+ Z/ A" w7 b- s$ [2 Y
　　U-00000080 - U-000007FF: 110xxxxx 10xxxxxx
6 @) n. x$ J7 u$ m6 G& _- ?! q
! q. t7 I& a6 ~3 `$ a3 r5 J　　U-00000800 - U-0000FFFF: 1110xxxx 10xxxxxx 10xxxxxx- {" F6 G0 v* Y# r
* ^% y2 e3 u* V" b) T1 j
　　U-00010000 - U-001FFFFF: 11110xxx 10xxxxxx 10xxxxxx 10xxxxxx0 n; i+ Y* n& p9 Y% q1 T' I

' b& H9 V7 E- e* w/ V3 e　　U-00200000 - U-03FFFFFF: 111110xx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx* L8 b; x2 f0 _5 a* T! B

* q$ F. R: o  I0 ^( K: H7 P$ m2 y( D　　U-04000000 - U-7FFFFFFF: 1111110x 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx
( S$ Z5 ^( n" D7 C* B. i
1 _5 |: y' _0 w9 u　　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。