HTML语言:什么是Unicode 什么是UTF-8 Unicode, UTF-8, HTML

admin

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：8 g1 u* H. l9 T+ R9 R: F

" ~3 ^$ N* H( C; B　　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% }4 Q0 v2 R& k  z* E( Y
+ f( u! L7 v- ?7 D1 ?- g/ ?　　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。4 |$ q' v8 U) c: O. f
/ U/ c8 Q; ^$ o& x/ }" Z! s
　　2、台湾，香港等地使用的是BIG5编码- @- ?' A, Q$ M5 L& N
- u1 P8 ~  V- e* j
　　3、日本：SJIS编码9 ^9 n. b% V- @- L

& o5 t% |9 K$ y* H4 x6 x$ f2 w' D　　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。
4 I# t! P5 m- V- X4 Q# t7 m' Y
+ }4 c$ x1 q: C  v6 i　　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。
1 o, J. H6 n- ?$ d% {' J: C; c
. s1 N4 n% d, h: V　　Unicode的学名是"Universal Multiple-Octet Coded Character Set"，简称为UCS。
- A, i& F& m: [; v; B
0 F6 c! l, Y0 L$ f% X　　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- D$ c8 p5 M4 `) A. o
" E& v9 J, E% a7 K8 w! E! [/ |
　　20000-20FFF - 21000-21FFF - 22000-22FFF - 23000-23FFF - 24000-24FFF - 25000-25FFF - 　　26000-26FFF - 27000-27FFF - 28000-28FFF - 29000-29FFF - 2A000-2AFFF - 2F000-2FFFF# E( ?' N) E0 K" k; I
' y+ }7 f8 y! g$ a2 U9 P# 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。" X. x1 y* [9 o
! F. i& c, y0 `, k
　　什么是codepage?codepage就是各国的文字编码和Unicode之间的映射表。
2 }# G2 `# A2 M. ?+ Y9 A$ z; v5 p
　　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。& G1 M9 F- O4 m, h6 Q8 i

7 G7 m% B' ~+ S9 I0 B3 ?　　codepage=936 简体中文GBK# Y3 d' h" t7 Z1 w- _4 k( }) K

9 B4 j, y) |7 Q9 f) B. R" x7 C　　codepage=950 繁体中文BIG5
+ l3 k& j' k# [, E) e# i
# d/ q" @% O7 X4 ]& I- |: c+ E# [! V　　codepage=437 美国/加拿大英语
- R$ v2 d* P3 w# }  B# F0 {* H8 E8 [3 x6 Q; A0 L1 C, F
　　codepage=932 日文
$ O8 l3 i6 d2 R4 i/ v( |  U
- U3 O. Q! j! o5 ?  p, o! x　　codepage=949 韩文
& J! N" h# `) R( `4 J2 ?' c5 ^: B  d( P
　　codepage=866 俄文8 x0 c+ o9 ~; x

. k$ T! r. N9 K* i0 B. A　　codepage=65001 unicode UFT-8# Z4 X8 M8 i, T+ ]% T
3 h1 w* g& f7 U# v; I+ d8 x
　　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。+ f' f9 ]8 L1 F+ D
0 `6 y% a: e, c% B8 m( P) }, ^7 U
　　从936中随意取一行，例如：
" i1 m; _5 A% W- `- e& l; {; N; D
　　0x9993 0x6ABD #CJK UNIFIED IDEOGRAPH' Z2 p* {1 ?0 ?) m: c7 o

0 {7 {# o( E% V, \　　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。
, q$ h, t% \& g3 \  L0 z3 |4 ~8 w, |% d4 P9 r5 F4 f
　　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?
9 J: g3 T* [) S6 I" }( ^: r$ F9 @6 X) U3 s
　　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?
& D/ p2 e) E. R" I+ m/ x8 X$ c
) \7 u7 s( q' e. ^, d' }0 f  b　　例：$ Z1 ~; Z. s. F2 |8 u8 C; Y: i

+ _4 x% O& d7 U+ m: {9 y　　E4 BD A0　　　　　　　　11100100 10111101 10100000' m0 k  |' u; |4 Q8 G* d2 z- I0 p

3 S9 h: p9 \9 r- f* s　　这是“你”字的UTF-8编码7 j6 j8 `4 ~! X1 d0 O, n. Q

2 l$ N- d. w2 ]- h　　4F 60　　　　　　　　　　01001111 01100000  d, t7 t& ^+ Z" u! L

, g- W/ h7 ?- o! C　　这是“你”的Unicode编码
8 s$ O$ w2 H% T% M: D" G. D. _0 T0 k2 {- E
　　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。1 H, `: n4 a/ p* R

2 h5 z; @8 h/ {' [* E& _　　以下是Unicode和UTF-8之间的转换关系表：
8 o. k' [& j$ M) D' z0 ?4 W3 ]( g( Z4 L8 F  Z
　　U-00000000 - U-0000007F: 0xxxxxxx
8 T1 _1 Q$ S* F" ?  V: U  `: D
+ y$ c. ^! L0 O1 {% ^3 x　　U-00000080 - U-000007FF: 110xxxxx 10xxxxxx6 I/ M# T; h/ `* }% I

3 c* t/ _  V0 K6 u5 x" y　　U-00000800 - U-0000FFFF: 1110xxxx 10xxxxxx 10xxxxxx5 T. s5 h' p) _5 z3 x
) _. o' o6 Y& a
　　U-00010000 - U-001FFFFF: 11110xxx 10xxxxxx 10xxxxxx 10xxxxxx+ w0 S" r8 [% h8 o' X
( J& O: @/ G% M" s- C6 D
　　U-00200000 - U-03FFFFFF: 111110xx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx
% @" b5 V5 {2 R
% Y+ n1 p6 f% x! t　　U-04000000 - U-7FFFFFFF: 1111110x 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx
+ W% J/ s6 k* a9 o# b" ]  Z2 O! U8 w
　　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。