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：

　　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。3 w8 b9 L7 k: o
" Z3 D  P) V8 k$ d4 ^: k" p9 C
　　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。. \9 q, d6 f" n6 _$ u* c. m

　　2、台湾，香港等地使用的是BIG5编码# e( T8 [: D* p6 |: _

　　3、日本：SJIS编码

　　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。
. z6 i% S0 e3 p. `
　　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。

　　Unicode的学名是"Universal Multiple-Octet Coded Character Set"，简称为UCS。

　　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: l7 i( T1 q5 ?/ X6 j! B" N" O  `7 @
/ Q$ }. g, M1 j8 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

　　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。/ Y+ A7 q: M' T. `! @
( t) {5 P6 a4 B
　　什么是codepage?codepage就是各国的文字编码和Unicode之间的映射表。$ i% R- F  @1 e& \
- Q% A- F. |  x9 ~% n: d& h  u7 `5 o
　　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。2 Q* z' }+ h3 b& b: d0 C$ f0 n* ?
) D. S! s5 W3 x! E
　　codepage=936 简体中文GBK( O, c8 z; W, ]( \  g

　　codepage=950 繁体中文BIG56 t/ j3 d3 ~+ S! ~0 Y
; \3 X& n9 V& n, z
　　codepage=437 美国/加拿大英语
3 o# x' m6 L* `( u
　　codepage=932 日文" z; v6 |, g2 Z5 l8 f. @

　　codepage=949 韩文0 ^. N9 ]5 u: V! i+ p0 z/ o& j
0 P9 S9 T. A$ f- H5 B% k
　　codepage=866 俄文7 [8 Q7 }/ S1 R, m

　　codepage=65001 unicode UFT-8/ l) X* Q8 I/ a" m* ~

　　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。

　　从936中随意取一行，例如：
3 [5 Q" Z) t3 J, x! y0 f
　　0x9993 0x6ABD #CJK UNIFIED IDEOGRAPH
6 Q; F- `1 n2 z' q% E$ U
　　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。4 @. D4 Z( D+ F8 V! I$ o5 O/ Y. }
  D! d. V& S& j
　　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?; @" i  }& {4 \# T# O# r
8 P  C! D6 L' J
　　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?0 Z; J: U' J* s8 h) [

　　例：* ~$ a' q; D# e0 E5 V( B& ~

　　E4 BD A0　　　　　　　　11100100 10111101 10100000

　　这是“你”字的UTF-8编码. P! g, ]3 J1 [. K' k0 B

　　4F 60　　　　　　　　　　01001111 01100000. J+ ^' p1 l# k3 Q4 A
$ [/ v# G4 E5 `9 T* M6 D
　　这是“你”的Unicode编码2 E; t* d$ v+ l+ v

　　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。
/ D8 s# f( X8 d8 {: ~
　　以下是Unicode和UTF-8之间的转换关系表：

　　U-00000000 - U-0000007F: 0xxxxxxx
( @& d0 x7 E9 a7 S% T8 d- b
　　U-00000080 - U-000007FF: 110xxxxx 10xxxxxx, S! c3 ]5 U2 U  y+ A5 N5 d
% ~2 x, t3 c# x) e6 _8 O+ D
　　U-00000800 - U-0000FFFF: 1110xxxx 10xxxxxx 10xxxxxx" C6 j1 ?, i6 W1 C: D
( Z% ]' j2 W. j& y
　　U-00010000 - U-001FFFFF: 11110xxx 10xxxxxx 10xxxxxx 10xxxxxx3 Q7 E6 ]1 x- ~

　　U-00200000 - U-03FFFFFF: 111110xx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx

　　U-04000000 - U-7FFFFFFF: 1111110x 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx
7 @: O% Y$ V! J( R
　　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]