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。- T0 u. O* i9 M0 v

　　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。
; \$ O* _* r7 Q8 Y& x- `
　　2、台湾，香港等地使用的是BIG5编码1 [2 n( T4 p8 Q3 Y+ Y& ]
  y) K5 L7 h5 ~0 v
　　3、日本：SJIS编码" ^) J, ?; X) V. O6 h7 Q

　　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。
' Q1 G8 |! W. J3 E
　　Unicode的学名是"Universal Multiple-Octet Coded Character Set"，简称为UCS。, ~# k9 a: f4 \7 T

　　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, ?$ j' A4 Z) C( d
/ B4 D6 x! M4 G
　　20000-20FFF - 21000-21FFF - 22000-22FFF - 23000-23FFF - 24000-24FFF - 25000-25FFF - 　　26000-26FFF - 27000-27FFF - 28000-28FFF - 29000-29FFF - 2A000-2AFFF - 2F000-2FFFF& K) L& g" X6 f6 |2 I. V+ U
) P& L7 m# Q/ ]4 P' 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。

　　什么是codepage?codepage就是各国的文字编码和Unicode之间的映射表。' y% [8 B& _4 p1 o, F- y& j

　　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。

　　codepage=936 简体中文GBK9 D+ L% q. _+ G" J6 a
5 h$ D2 x4 z0 u1 d' Y9 P1 e/ I
　　codepage=950 繁体中文BIG5
6 B. y  y1 s/ ~
　　codepage=437 美国/加拿大英语2 J; A) Q% x/ Z8 N9 H

　　codepage=932 日文# M+ v3 R! u; ], p2 X6 o
* X& r; N3 W6 M. e9 {
　　codepage=949 韩文
' d' K* r9 F: U6 A7 F) ~
　　codepage=866 俄文

　　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。
& _9 _( V. o! ^7 \9 o5 \
　　从936中随意取一行，例如：

　　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?

　　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?6 o4 Q* c+ [- j$ W8 M7 w2 g( a# _
1 T6 U$ q; Y" t" }* g
　　例：

　　E4 BD A0　　　　　　　　11100100 10111101 10100000
- J% ], T4 r# [) X  g/ ]! ]
　　这是“你”字的UTF-8编码( @: x2 x5 G! [; S1 W

　　4F 60　　　　　　　　　　01001111 01100000
$ C2 M( O' E. H0 S& w- s5 D; N& y7 ?
　　这是“你”的Unicode编码! X( i8 Q- }5 Z# D1 G) \- |
4 n. Q, r2 c$ X6 F+ T
　　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+ X( P8 O* t

　　以下是Unicode和UTF-8之间的转换关系表：
) Y+ c6 p% A* F1 B7 {3 A* a( {1 i
　　U-00000000 - U-0000007F: 0xxxxxxx

　　U-00000080 - U-000007FF: 110xxxxx 10xxxxxx5 x' \$ d+ L/ ?! i. g" s1 W6 o
4 l# g4 P. n8 O/ a% E
　　U-00000800 - U-0000FFFF: 1110xxxx 10xxxxxx 10xxxxxx( |4 p, b# \2 ?9 I

　　U-00010000 - U-001FFFFF: 11110xxx 10xxxxxx 10xxxxxx 10xxxxxx

　　U-00200000 - U-03FFFFFF: 111110xx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx5 X/ b! t8 ]" s& a2 p

　　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]