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 P. ~! k6 [- j
0 U( x1 g. ]0 G: D3 c; P5 F
　　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。8 G" @; L8 X2 y# ~

　　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 F  q/ j  ~7 R; B& x
　　2、台湾，香港等地使用的是BIG5编码5 Z6 O9 i( K0 A. L

　　3、日本：SJIS编码9 \: F5 e& E) C0 T- o! z7 d6 p

　　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。

　　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。5 S, l4 Z" Z! G0 B9 u5 e: W9 b
( f) ~/ ^# P0 u- [' o$ X
　　Unicode的学名是"Universal Multiple-Octet Coded Character Set"，简称为UCS。
3 u# r! J1 }+ m/ T6 {
　　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( m5 ?0 X; e1 C) u3 C4 Z7 z+ g2 b* T
* T1 ?& U' _% R8 p( L6 P& w' Z: i
　　20000-20FFF - 21000-21FFF - 22000-22FFF - 23000-23FFF - 24000-24FFF - 25000-25FFF - 　　26000-26FFF - 27000-27FFF - 28000-28FFF - 29000-29FFF - 2A000-2AFFF - 2F000-2FFFF* h" @, u& r  b. B2 L' V% 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。# [5 I- l- ]7 }( |6 J' c9 B5 q* q

　　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。
7 n2 o. e: `8 s% L
　　codepage=936 简体中文GBK$ _) u! g: J6 a7 g5 w

　　codepage=950 繁体中文BIG5
( F+ q& u* p/ s0 Q
　　codepage=437 美国/加拿大英语3 k9 W6 ?; z' Z

　　codepage=932 日文
/ e" B1 x$ a3 e2 ]6 d+ W
　　codepage=949 韩文
' N% H& F! @+ g
　　codepage=866 俄文+ L! ~8 X5 N2 ]: I0 S

　　codepage=65001 unicode UFT-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。0 z+ ]+ X9 l" d" L2 |: M, f

　　从936中随意取一行，例如：

　　0x9993 0x6ABD #CJK UNIFIED IDEOGRAPH
9 z* s* @/ r/ N, z8 m
　　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 S( j) {/ W8 D5 ]$ v+ H
$ [* h# n5 e5 ]" j% C& D) c
　　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?' V& ]" f0 y8 E9 p

　　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?
  w) g' P- _7 k/ k( e; k, M, M
　　例：
  G3 n9 D" U) C# K
　　E4 BD A0　　　　　　　　11100100 10111101 10100000* K8 K/ Z0 h( j! n5 y! x
8 W& v- T6 k' O4 c4 j
　　这是“你”字的UTF-8编码

　　4F 60　　　　　　　　　　01001111 01100000
. r, W3 Z- V0 S6 |
　　这是“你”的Unicode编码' u! Y( A( k% ]7 i" j& C
' x" {$ @  c0 r  {5 h: |* h
　　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。  I/ R' j/ b4 ?7 t8 P4 C
4 ~( I7 r  v& N/ W$ g
　　以下是Unicode和UTF-8之间的转换关系表：

　　U-00000000 - U-0000007F: 0xxxxxxx

　　U-00000080 - U-000007FF: 110xxxxx 10xxxxxx2 s% U; d$ |3 r; @% P7 @( `0 m
8 n3 U( \) A+ `  b8 H* ~& X
　　U-00000800 - U-0000FFFF: 1110xxxx 10xxxxxx 10xxxxxx

　　U-00010000 - U-001FFFFF: 11110xxx 10xxxxxx 10xxxxxx 10xxxxxx, c$ O5 F) E! z/ C2 ^6 S

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

　　U-04000000 - U-7FFFFFFF: 1111110x 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx) W+ n/ x/ M+ A! 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]