HTML语言:什么是Unicode 什么是UTF-8

Unicode, UTF-8, HTML

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：/ W8 l& H7 ?* s" W

　　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。
+ @% T9 j& T* B# u$ A9 L8 g
　　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。. F6 {5 r( ]/ h$ M( `
) ^1 A( {6 o* @) z
　　2、台湾，香港等地使用的是BIG5编码: Y& E' B: }" g1 M% _! y# X
# _5 w; `7 t' n
　　3、日本：SJIS编码5 r7 F, V" ]$ Z+ h

　　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。/ o& I. h4 e% z) l* t4 c
' K# h: q+ {0 I) H8 q8 f* n# o
　　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。/ m7 o( W; o) E. m4 U4 S/ e8 H+ D( q$ W

　　Unicode的学名是"Universal Multiple-Octet Coded Character Set"，简称为UCS。% L7 K  w$ o$ H% n6 q4 f8 y7 ~8 u$ H$ H
% h" z2 B) _5 L1 ?) ^
　　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( y' a1 r- }! k# ~' f
0 Y/ b: f" V5 v
　　20000-20FFF - 21000-21FFF - 22000-22FFF - 23000-23FFF - 24000-24FFF - 25000-25FFF - 　　26000-26FFF - 27000-27FFF - 28000-28FFF - 29000-29FFF - 2A000-2AFFF - 2F000-2FFFF
8 r/ C& h+ X$ d9 U
　　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。7 G% R9 r, D) `/ I

　　什么是codepage?codepage就是各国的文字编码和Unicode之间的映射表。2 T# [  t8 k; j% e9 z
& k3 v) O' q0 t/ 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。

　　codepage=936 简体中文GBK% S4 x6 ]% g7 `- p" D' E

　　codepage=950 繁体中文BIG5

　　codepage=437 美国/加拿大英语" P7 L# R0 G; G7 C' q6 a

　　codepage=932 日文
& H* |0 _; M8 N/ \- ^' c
　　codepage=949 韩文: n' p" X  v- G$ T+ ^" T, N: H
9 v- p) T# i& U% s2 Q7 K
　　codepage=866 俄文8 B( B+ T& y8 d. Q. Q% v1 L
2 R7 B  k/ Y+ S/ |
　　codepage=65001 unicode UFT-8, c4 m# ?6 u5 z/ z( R
0 w8 @. J  A( R- ^, {/ W
　　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。7 D( A7 |+ b9 |

　　从936中随意取一行，例如：

　　0x9993 0x6ABD #CJK UNIFIED IDEOGRAPH& t. e% q; I9 q4 I

　　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& V, `% Q7 _
) t  S% D8 L: T# u# l! p+ e
　　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?: u' C2 O; Y, W4 \$ i) Q  h# @
. G' C- M! q3 G8 \+ ^
　　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?

　　例：* {1 e! U* @4 a$ U7 d6 A2 u
/ H& H4 T' |9 z: h; T  Y
　　E4 BD A0　　　　　　　　11100100 10111101 10100000

　　这是“你”字的UTF-8编码# o6 h* J" L! l: U6 S4 a& w

　　4F 60　　　　　　　　　　01001111 01100000
! G4 A6 G) K& l0 W4 p$ M
　　这是“你”的Unicode编码* Z! t1 P# T$ {2 ^) R2 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。

　　以下是Unicode和UTF-8之间的转换关系表：+ \3 Y+ A0 `; L' n

　　U-00000000 - U-0000007F: 0xxxxxxx* H4 D# O5 K- B, N  V* t

　　U-00000080 - U-000007FF: 110xxxxx 10xxxxxx. t2 {$ V3 U  c
; U* P2 N' u3 w5 ]' n% h: T) y
　　U-00000800 - U-0000FFFF: 1110xxxx 10xxxxxx 10xxxxxx: b0 F4 m3 {4 K0 J* W
, v4 h' R& q0 i
　　U-00010000 - U-001FFFFF: 11110xxx 10xxxxxx 10xxxxxx 10xxxxxx5 B0 J4 A# U1 e$ o0 q. ~5 u* ~
6 q# N. ~' Y" v9 Z8 v( p4 W- N& T
　　U-00200000 - U-03FFFFFF: 111110xx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx' q: H- O) G" K/ m

　　U-04000000 - U-7FFFFFFF: 1111110x 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx

　　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。

捌玖网络 89w.org----致力于站长学习交流

返回列表

HTML语言:什么是Unicode 什么是UTF-8

[收藏此主题] [关注此主题的新回复]

[通过 QQ、MSN 分享给朋友]