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。. x) I* {8 u  R

　　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。- H: {( y; _/ x2 k
% ]+ N  j; x9 q
　　2、台湾，香港等地使用的是BIG5编码) i2 s4 ?% l$ g2 |! N5 U

　　3、日本：SJIS编码

　　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。
, _5 [. y1 V* V  m# }7 }* 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。5 u( |4 H- }1 |5 z5 ]6 Q" h
  S2 `: I' d2 Z
　　Unicode的学名是"Universal Multiple-Octet Coded Character Set"，简称为UCS。- D0 G3 |( O2 A* Y- B+ z3 @
; ~, h) t; T! g, s
　　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
  i4 \5 B+ v) q, J  h1 s( C
　　20000-20FFF - 21000-21FFF - 22000-22FFF - 23000-23FFF - 24000-24FFF - 25000-25FFF - 　　26000-26FFF - 27000-27FFF - 28000-28FFF - 29000-29FFF - 2A000-2AFFF - 2F000-2FFFF

　　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。

　　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GBK

　　codepage=950 繁体中文BIG5
. T8 e/ _9 `% W! A* R$ `( X: }
　　codepage=437 美国/加拿大英语
0 U& w6 E+ t9 \( E* J. [7 N
　　codepage=932 日文
, }1 f+ n) C5 N% j
　　codepage=949 韩文" ^. l/ Q' b# C" E/ }
. H7 E3 T. B+ h! l$ x3 r
　　codepage=866 俄文0 Q8 T5 A6 s- N+ Q$ ~

　　codepage=65001 unicode UFT-8
9 f6 I& Y) u/ G* d& m
　　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。) b% a, ?6 z& B! V. A/ \8 c" t) F

　　从936中随意取一行，例如：

　　0x9993 0x6ABD #CJK UNIFIED IDEOGRAPH
1 k6 S" Q! Z; ~
　　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。
+ s& f7 I% s( K7 v
　　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?4 f! A8 r( P  p% v( z0 Q% p
, w. j2 W; v6 _2 B* J' Y- g
　　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 s, E9 c0 N" n  |1 _
, i+ \, \* \, ?) K
　　例：2 c% s  |) u+ A( ]& B/ M$ l

　　E4 BD A0　　　　　　　　11100100 10111101 101000002 v! w7 a/ X5 y0 ?
. a5 \! B) P- e$ e$ x
　　这是“你”字的UTF-8编码
- F5 l  z: ~  y4 t7 N9 d; g) _
　　4F 60　　　　　　　　　　01001111 01100000  Y* I7 L- M+ B9 L  Z

　　这是“你”的Unicode编码

　　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。" K9 R& C1 F2 i2 M

　　以下是Unicode和UTF-8之间的转换关系表：5 \- L! t3 i9 g) r7 T
  D+ I8 p4 Q# |- }5 J& W5 a+ ?* i
　　U-00000000 - U-0000007F: 0xxxxxxx8 d' h" i6 B$ K0 o" y
# r8 f! y; h  B8 R
　　U-00000080 - U-000007FF: 110xxxxx 10xxxxxx* E( g% n: M$ }1 g

　　U-00000800 - U-0000FFFF: 1110xxxx 10xxxxxx 10xxxxxx: l1 u  r) y9 E/ h9 @2 U. E

　　U-00010000 - U-001FFFFF: 11110xxx 10xxxxxx 10xxxxxx 10xxxxxx$ y: l- ]* R$ i
# _. Y4 B8 b: {! ^/ F, r5 d/ [
　　U-00200000 - U-03FFFFFF: 111110xx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx+ }; p! k* a& t$ j5 t
$ D' e5 l3 F: U' D( H3 |3 c4 d
　　U-04000000 - U-7FFFFFFF: 1111110x 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx4 P! T; m3 k2 {/ w' J! Y) R# F

　　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]