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 O) ~3 S3 d" _( _; D

　　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。
" {( }( t" U3 E
　　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。

　　2、台湾，香港等地使用的是BIG5编码1 M8 p# }1 \4 z- g$ b

　　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。! C4 u! T- V( u4 R. l/ ?

　　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。
, k8 ^; v. ?5 I
　　Unicode的学名是"Universal Multiple-Octet Coded Character Set"，简称为UCS。+ @- K, `3 |( c, e5 C. P- l# P2 ~
, \/ x+ @0 x; R3 h* V4 L( ]8 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
) m6 p# j; Y0 z% U' h
　　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。- d& X# O& \  _7 l

　　什么是codepage?codepage就是各国的文字编码和Unicode之间的映射表。

　　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。
3 K4 a: O  D/ T7 @/ w8 x
　　codepage=936 简体中文GBK

　　codepage=950 繁体中文BIG59 u6 f" ?# K) H1 o- ?9 T+ h2 d0 ^

　　codepage=437 美国/加拿大英语, K6 K+ U6 s% R0 s  t

　　codepage=932 日文

　　codepage=949 韩文
, ^. A4 I& w$ G6 H- ?' K
　　codepage=866 俄文
  {) L) X. z. l+ a# `, n+ ?
　　codepage=65001 unicode UFT-8+ J6 p; E* r/ B) B( C8 j, N
2 r- G0 W9 k$ E1 ^8 [! _
　　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。( N3 z, l# q) g; M
2 J. [7 f2 h6 q' Q4 t" {6 o: [
　　从936中随意取一行，例如：7 Z: c3 I$ ]; i! O! O% y
" ^7 J% s1 p! ~' _5 K. T
　　0x9993 0x6ABD #CJK UNIFIED IDEOGRAPH9 d/ Y7 @0 K, _" j6 n
: t4 `0 t8 S+ }, E' 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。

　　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?* h$ [. W$ N( H- ]+ u5 h- d) f
, y4 `4 h+ Y0 y# `/ {; 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?
, z" W. q6 K3 _4 z& u' L8 l! l
　　例：
/ g) P' @% v3 S( `0 Y4 g4 `9 H. S
　　E4 BD A0　　　　　　　　11100100 10111101 10100000
: v- L/ J+ A  z3 d" @4 V' P
　　这是“你”字的UTF-8编码- J" v" w0 D2 T7 }" n3 u
9 p) m! U# n2 C& B" H" k9 V
　　4F 60　　　　　　　　　　01001111 01100000* C6 ~3 D( i/ E

　　这是“你”的Unicode编码
+ `7 t7 `# e+ P1 r. _4 K6 s: b+ R
　　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$ Z: m6 J0 c8 J9 J& {$ k
　　以下是Unicode和UTF-8之间的转换关系表：/ q1 c/ o7 n* r3 ?: K3 i& G' ~

　　U-00000000 - U-0000007F: 0xxxxxxx

　　U-00000080 - U-000007FF: 110xxxxx 10xxxxxx5 n1 P1 h: r0 P+ Z3 R6 t
5 j8 c/ X& ^! f* V, t! l3 J
　　U-00000800 - U-0000FFFF: 1110xxxx 10xxxxxx 10xxxxxx7 s6 a  K. R& y- u
3 n: k/ a; a2 c
　　U-00010000 - U-001FFFFF: 11110xxx 10xxxxxx 10xxxxxx 10xxxxxx7 C* W' x6 ~  D- t3 D0 x3 [
, S8 U: n* z  d/ k1 N  `) r9 q* U: m
　　U-00200000 - U-03FFFFFF: 111110xx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx2 o9 \; E& ^# J: m  t
% ^; t3 I. B; R% ]  U, i
　　U-04000000 - U-7FFFFFFF: 1111110x 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx
4 p/ [+ }+ @) N- _$ a
　　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]