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:" I% U: g7 X* K0 @
% I3 e% j8 Y L1 ~0 v) f( t6 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。 0 z* |& X+ F3 @1 m' Q, n4 J& }9 y3 }. ?: V7 X. z7 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。2 p1 L; `! L, z$ I
; ?! L6 |& i7 L8 \+ h
2、台湾,香港等地使用的是BIG5编码 6 q" t* |( g2 e7 b: d7 k9 V ! P1 ]" s, D+ e8 z! N 3、日本:SJIS编码. p: ]" I0 z- x* h% B
: J1 A$ _! I0 g4 j& I7 G
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。, j& t% |) x% c; Z O( c4 _
8 _6 t" c' N$ r/ ?$ _ 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。6 @8 v7 D e8 ^: x& h9 d' Z9 m1 s" V
3 y0 j& S, z9 P
Unicode的学名是"Universal Multiple-Octet Coded Character Set",简称为UCS。; T C& `3 M; e U
, J z, w! c5 Z1 R1 `0 H/ R, [3 v 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 8 D" o0 [; ~* y; O + I `5 {0 t4 u8 a. j1 Q 20000-20FFF - 21000-21FFF - 22000-22FFF - 23000-23FFF - 24000-24FFF - 25000-25FFF - 26000-26FFF - 27000-27FFF - 28000-28FFF - 29000-29FFF - 2A000-2AFFF - 2F000-2FFFF4 C; Z8 O0 u* r! w" E
- ]) R+ Y1 W! L7 s7 \ @/ B4 z
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。7 q; \; [( R7 P
4 u1 ^6 d0 G; K( ^3 F
什么是codepage?codepage就是各国的文字编码和Unicode之间的映射表。* } Y* C, r+ `) Y& ?9 P
+ y3 W: Y% ?6 f7 D) N" y, ^
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。 # T( H4 _* P/ U8 t' @6 A: ] q. {4 M
codepage=936 简体中文GBK7 @+ G& ~ V v, P
5 i) {5 J6 [3 Y& @
codepage=950 繁体中文BIG5 ; C4 ]! z' B8 v+ k / X3 v# e; }0 B% g. A1 E codepage=437 美国/加拿大英语4 Z. l+ [8 w/ x% o" j
3 z$ J8 a- z i) z9 W3 ]5 Z codepage=932 日文4 J& ^7 |/ f( I5 H0 S
$ @3 x s+ [* P& V* E# M codepage=949 韩文2 k9 x' k4 ^9 B' ~
" H; {( N+ d% w/ o+ `) X- O+ B, K2 f
codepage=866 俄文5 [7 m: R% n x0 A
( ~# z" R$ } c4 L; O9 e3 a1 V codepage=65001 unicode UFT-8) j/ \! Z+ T& b. }, @! _. l/ D
# m# E6 M6 s) A$ ^8 d
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- q( Q' @! P( A, g5 c# F' A. o+ X : N- S% R# f( t; K 从936中随意取一行,例如: ! t4 n* P& z" h( {( O! k+ _8 p3 @
0x9993 0x6ABD #CJK UNIFIED IDEOGRAPH5 h n1 Z) Y4 {$ R/ u8 X3 d
5 N2 }0 y$ \. g+ t9 J9 u
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。+ p8 b' O; i `" n
3 L1 h% C, p0 G3 V; S7 Y0 o9 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?8 W. c" C$ h$ ^- {7 _% _& x+ ^
2 f) d% o- y( D) l" `8 q2 G4 @ 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?' X. f' y, h+ Z7 }. v$ k+ e
2 y0 ]! G c9 W( ~( E
例:6 A% o; s4 V* a! k- i
$ M9 J# m' S' d: b0 I: {0 z4 f2 S* K E4 BD A0 11100100 10111101 101000007 d1 K+ [7 c" G6 H1 R" k
" P, j4 M% C% D5 F' Y4 Z) ^
这是“你”字的UTF-8编码 - f: H1 ~, t1 q7 `& j6 @6 V" X1 N+ o" h( X! U3 B. O
4F 60 01001111 01100000 + R$ W& ]: R9 q1 x$ F2 _ & E6 k. Y3 w+ B 这是“你”的Unicode编码 . }8 m0 L0 H3 k8 n" R * d9 ~. s1 W: T( a 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。+ R |, J( s3 u4 @
6 G9 q) d) }2 n2 B6 }9 Q' V! O
以下是Unicode和UTF-8之间的转换关系表:' }+ I: r/ F- b$ L8 I