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 D/ P! B4 z8 ^2 D, d
% M6 g7 t( }6 T
　　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。

　　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。; ~8 L0 _+ j/ }" ^

　　2、台湾，香港等地使用的是BIG5编码4 J& M- }2 A0 T" h* T; X4 o

　　3、日本：SJIS编码* H  n+ b' j" a/ b& d) |% ]. E+ r' [
& Q; o0 [4 f8 m  G+ y/ H  j6 ?( n
　　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。
7 E% m* ?& Q$ \% W" F+ z7 w9 ?/ T* y
　　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。
$ ]- o- N) u% h; p! I% w
　　Unicode的学名是"Universal Multiple-Octet Coded Character Set"，简称为UCS。" D; R  t: T( d/ R8 u

　　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0 t1 I5 N" I/ P. Y, ?# \2 s( Z% e9 a

　　20000-20FFF - 21000-21FFF - 22000-22FFF - 23000-23FFF - 24000-24FFF - 25000-25FFF - 　　26000-26FFF - 27000-27FFF - 28000-28FFF - 29000-29FFF - 2A000-2AFFF - 2F000-2FFFF' q4 m! M" Y! S! Z9 |9 R

　　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。# k* w- e+ V$ \4 y( c$ K  @
" t" n* c" e( z& H5 x3 f) f; O
　　什么是codepage?codepage就是各国的文字编码和Unicode之间的映射表。
2 i6 y0 l* E$ u
　　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。, V' k0 D4 b. y! b1 m! i! Z
# c* Y& e5 `& d
　　codepage=936 简体中文GBK
8 V( j0 _- R, b2 \/ s) \
　　codepage=950 繁体中文BIG5/ \% u  p1 ~: g0 ^# C2 Q- y

　　codepage=437 美国/加拿大英语

　　codepage=932 日文5 E; u8 j; L* q

　　codepage=949 韩文. V: c& @: Q; @7 Y

　　codepage=866 俄文
1 L9 r& A$ l  T( V6 T* p% B
　　codepage=65001 unicode UFT-89 \! e$ w$ A$ e4 ~, t' @+ R5 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。) s7 n9 k* b5 N' h, Q. l
; v0 J( a3 p+ {- @- R! w/ {" i
　　从936中随意取一行，例如：& C6 L9 Y1 |+ @1 }' t
6 `7 {2 b1 K7 u4 g
　　0x9993 0x6ABD #CJK UNIFIED IDEOGRAPH

　　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。

　　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?( P/ E2 D* n; o; X+ u
  y) f0 c+ K- V7 l+ G- y. ~
　　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?1 G6 v% j2 J; [. g
3 \/ Y6 y# E0 Z. X% [5 ~, L% c
　　例：  i: _& Q" I) S4 c- G- Z) c

　　E4 BD A0　　　　　　　　11100100 10111101 10100000
! S% J/ ?- h% |
　　这是“你”字的UTF-8编码# R. @& T) L3 Y0 Y$ z; D# I' d) K+ n! m
$ M! o* K& {( ^% P9 N5 s
　　4F 60　　　　　　　　　　01001111 01100000
3 d% n; U. J( f5 i+ _: Q' `
　　这是“你”的Unicode编码
& h0 b9 d) R. ~" j
　　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：4 l" z8 K  l/ E3 \
" W7 r! Q  Y% s/ p5 a$ E, H
　　U-00000000 - U-0000007F: 0xxxxxxx
4 B( `6 D% A: K
　　U-00000080 - U-000007FF: 110xxxxx 10xxxxxx! j5 x* h, U, k" I

　　U-00000800 - U-0000FFFF: 1110xxxx 10xxxxxx 10xxxxxx

　　U-00010000 - U-001FFFFF: 11110xxx 10xxxxxx 10xxxxxx 10xxxxxx6 c9 Y0 M7 j1 R' g5 o* E4 _4 k
' \7 Q0 J& C; h; `' A
　　U-00200000 - U-03FFFFFF: 111110xx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx

　　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]