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# c& g0 D8 [. t4 B! J
　　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。: }, B) Z( P6 a, C" n2 m4 Z
: X, A( a1 V2 `7 C. _6 _
　　2、台湾，香港等地使用的是BIG5编码

　　3、日本：SJIS编码% ?- g  D2 ]: r4 W
2 H% U4 a3 a! P# t) t8 o) a
　　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。
; d6 _# N: n2 f2 A' c% y9 }
　　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。

　　Unicode的学名是"Universal Multiple-Octet Coded Character Set"，简称为UCS。

　　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
2 F8 Q' n$ `( [. [% |6 D
　　20000-20FFF - 21000-21FFF - 22000-22FFF - 23000-23FFF - 24000-24FFF - 25000-25FFF - 　　26000-26FFF - 27000-27FFF - 28000-28FFF - 29000-29FFF - 2A000-2AFFF - 2F000-2FFFF3 I( r+ F" v8 T; ^5 d; d3 A6 A

　　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。
+ L6 ~+ V' O& _% x* [
　　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- {! ^" c$ P, Q$ T1 q
3 |9 `/ f) ~4 p7 j2 E
　　codepage=936 简体中文GBK7 }3 n2 Z7 M- _' w% |% K
+ c" Z9 ^6 C$ E, g& v) i3 c
　　codepage=950 繁体中文BIG5. C: s4 q4 z: Z' c- ~
% r4 J( H  F/ [9 c/ W
　　codepage=437 美国/加拿大英语/ I4 F0 f3 z9 c' _
* w/ s0 J0 o; L4 S; I  u$ S
　　codepage=932 日文) ^; g, L& o, c" A3 S" Z$ _: I
' ^1 H9 r/ d4 b5 b' D5 @5 q- m
　　codepage=949 韩文2 l$ T: \+ }5 O/ l' v. C; X& I
3 `7 L$ k6 g) j! s
　　codepage=866 俄文

　　codepage=65001 unicode UFT-8
5 M" a) r. x! \1 i6 ]! |1 u; n
　　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。( I1 w3 n* d5 K9 f- E6 y7 t9 q

　　从936中随意取一行，例如：8 u+ @. ~. B. Z% P* q

　　0x9993 0x6ABD #CJK UNIFIED IDEOGRAPH
% m4 F% Y. t+ D+ W( F
　　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。
2 c$ {, X# t; c+ ]$ v' V# C
　　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?
- y& f9 |! D- C$ J
　　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?+ ?; g1 h( c; ]2 W4 }2 ?4 ]0 r, Z/ d' W

　　例：& q) d+ M( `" n6 v9 [  z

　　E4 BD A0　　　　　　　　11100100 10111101 101000000 L# r( Q- r8 X! U- L
6 }( F: P# P) |+ b' k5 z
　　这是“你”字的UTF-8编码+ |) }" g5 `/ K/ r( y0 ^; B
6 F6 O5 d+ f( `3 H3 B8 D" e
　　4F 60　　　　　　　　　　01001111 01100000/ y5 u8 ?3 Y) U' d. Q

　　这是“你”的Unicode编码9 m7 W% O5 Z  m+ y7 u. |+ c
- q5 A+ o) t' X2 v
　　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。( ~: ]( J" p7 ?- ~4 a0 V

　　以下是Unicode和UTF-8之间的转换关系表：6 i0 y  T) g" R

　　U-00000000 - U-0000007F: 0xxxxxxx2 Y2 p2 z" Q) D* O

　　U-00000080 - U-000007FF: 110xxxxx 10xxxxxx
9 I0 w! [  f3 E' U
　　U-00000800 - U-0000FFFF: 1110xxxx 10xxxxxx 10xxxxxx- t# A& l9 B4 E+ q2 ^) R5 D# Q
: W2 @' R/ c9 A' M$ y) V+ E3 K6 \, C
　　U-00010000 - U-001FFFFF: 11110xxx 10xxxxxx 10xxxxxx 10xxxxxx+ \; a) v) _+ g
/ W2 @/ H$ s& ^  x4 d3 M3 N
　　U-00200000 - U-03FFFFFF: 111110xx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx. n# J7 t# w1 Q! T
2 @) S- s+ _* j0 j- [
　　U-04000000 - U-7FFFFFFF: 1111110x 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx4 g7 i6 i+ V% g! H
+ H9 C" \1 z7 c
　　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]