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：& k' b. h3 D: A( x- e% ?5 p1 R6 E

　　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。

　　2、台湾，香港等地使用的是BIG5编码
7 R9 _/ e. i  b' [' Z5 P
　　3、日本：SJIS编码- Q3 M$ R" t: n5 o1 E

　　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。
) V: X3 s* x* J# _8 @3 i
　　Unicode的学名是"Universal Multiple-Octet Coded Character Set"，简称为UCS。
6 h% q1 Z1 \3 a7 m
　　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; b( |7 ^- T9 g' ]# _
! ?% ^- |$ V8 \% t' q2 C. `# t% ^
　　20000-20FFF - 21000-21FFF - 22000-22FFF - 23000-23FFF - 24000-24FFF - 25000-25FFF - 　　26000-26FFF - 27000-27FFF - 28000-28FFF - 29000-29FFF - 2A000-2AFFF - 2F000-2FFFF/ f* t1 \* m* L4 w8 `& H2 v
% U0 B" I9 N. r, A  Y( h
　　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 }: `; J, i3 {0 N( H$ P% P
; _; J6 a, E9 x% U) P! C2 t
　　什么是codepage?codepage就是各国的文字编码和Unicode之间的映射表。" k! g% a' C; S9 G

　　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。! I. l! g3 ?; d) u! X
: v; O, Q: ~+ R. E' h
　　codepage=936 简体中文GBK

　　codepage=950 繁体中文BIG5

　　codepage=437 美国/加拿大英语

　　codepage=932 日文

　　codepage=949 韩文/ T5 p) R3 U0 a* T6 \4 e4 n0 f

　　codepage=866 俄文7 ?  |- X" I7 Z3 r8 |

　　codepage=65001 unicode UFT-86 `% m4 J! W& [1 C  ]% `3 W
; t% o' r! k" i! ?+ p7 J, }8 H( p
　　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。$ S% j  v: w. ~' u% ]

　　从936中随意取一行，例如：8 v9 i" P8 B' _; x
! g; F" `1 Z  [. K; i4 o
　　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。  ?) r4 i  R- ~% u" C  k1 s9 H

　　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?

　　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?& \3 B4 F* T6 ^- g% D
4 v) [: G" `' g% j' G1 V' I  y- G
　　例：. x9 [8 S$ V  ~) Z  V

　　E4 BD A0　　　　　　　　11100100 10111101 10100000

　　这是“你”字的UTF-8编码

　　4F 60　　　　　　　　　　01001111 011000009 \* O$ ^, t# x; K5 u, t8 I$ t
% z  j  L3 W% ~% K- n! x
　　这是“你”的Unicode编码
  {5 o; {" i& ?. o
　　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。
0 o; h1 z* ], o7 U5 {: J5 X
　　以下是Unicode和UTF-8之间的转换关系表：
0 y  H; @9 |6 n5 `+ A- n4 V
　　U-00000000 - U-0000007F: 0xxxxxxx2 }/ Q9 h: N, K, `3 q" D, Z% a: Z
( }- {- ^( g: _( }0 f
　　U-00000080 - U-000007FF: 110xxxxx 10xxxxxx+ H" P' }2 W% I" B( \4 z7 V

　　U-00000800 - U-0000FFFF: 1110xxxx 10xxxxxx 10xxxxxx7 a# G! b! ?* |* u( W& n( W

　　U-00010000 - U-001FFFFF: 11110xxx 10xxxxxx 10xxxxxx 10xxxxxx; Q1 a/ u4 T& R$ ^  d- ?

　　U-00200000 - U-03FFFFFF: 111110xx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx/ Q! o% v# C& ~% o" j; ]' i

　　U-04000000 - U-7FFFFFFF: 1111110x 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx2 J2 o' O" G/ i1 x9 X9 r
% f2 Q0 L9 k, z: X7 t
　　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]