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：! Z6 h/ w$ e" G8 h3 c5 A
2 S# M) R0 Q+ l# n) [) ]( I- o0 k
　　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。
( v- {* j! \( J, |" f2 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。2 X- H1 m8 H3 o7 F; x
$ t$ h8 {# O: y% v4 q
　　2、台湾，香港等地使用的是BIG5编码/ c* a7 ]( \! A$ k4 k" E. W
) K! V6 j) V' Q- J4 w* y: g3 S
　　3、日本：SJIS编码& a( ?: M+ l6 |, T4 z! V! w$ C( k

　　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。( q- }1 i  g$ ^  o1 N  a- H
3 e' \% V$ n9 i8 ~
　　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。$ x( L. h! G8 M, q6 m& c3 ]2 T# o
7 E: ]* w" ?0 H
　　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# e2 m# N. m/ e9 X& \
) [# N6 M& n) b  C, T4 d5 w
　　20000-20FFF - 21000-21FFF - 22000-22FFF - 23000-23FFF - 24000-24FFF - 25000-25FFF - 　　26000-26FFF - 27000-27FFF - 28000-28FFF - 29000-29FFF - 2A000-2AFFF - 2F000-2FFFF
# }/ W6 r" H1 U' i4 w$ R' q
　　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。
: u! `3 X) T; i$ G2 Z
　　什么是codepage?codepage就是各国的文字编码和Unicode之间的映射表。4 v- \' ^( W" ]0 i
2 Q$ ?6 `1 |# k$ Q* X' P0 {2 u. ]
　　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。) c' U1 v' `( [0 R4 y5 ~) E* U
7 d- ]) n' a; s" Q% w
　　codepage=936 简体中文GBK9 O0 n3 E4 [: P; W: ?) _, i0 A

　　codepage=950 繁体中文BIG5$ P7 k; Z* x( d! x' H- Y4 t

　　codepage=437 美国/加拿大英语

　　codepage=932 日文$ H- }8 `9 ^$ C" N

　　codepage=949 韩文

　　codepage=866 俄文, n6 b' F6 I2 L3 M- A/ g+ q

　　codepage=65001 unicode UFT-8
' p, p( i$ S) @! c* l1 V
　　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。$ }3 g" q5 r& ~$ w  _
9 o5 k% X( u7 G" c
　　从936中随意取一行，例如：
# a. c4 z. R; \( |: }
　　0x9993 0x6ABD #CJK UNIFIED IDEOGRAPH7 c$ R; J: \7 |, M" G
8 e* X. _; c# r0 C; h' H" L
　　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?5 ^1 |& m1 `0 r& r3 m: K

　　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?

　　例：

　　E4 BD A0　　　　　　　　11100100 10111101 101000009 H8 W& K& \% O. s  [8 Z. L2 v
; x5 \/ J6 {! f" Y
　　这是“你”字的UTF-8编码
& w) L0 f6 V8 K6 T( p3 L$ f/ s
　　4F 60　　　　　　　　　　01001111 01100000
. q) a3 R2 T. b
　　这是“你”的Unicode编码/ c+ P  Y& B% k6 w/ m$ l8 o

　　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。
3 a4 d! o2 p) f4 H, ]
　　以下是Unicode和UTF-8之间的转换关系表：

　　U-00000000 - U-0000007F: 0xxxxxxx3 p6 _4 o7 k0 \" V0 Y
4 u; S, o' c: E: H* d1 N1 _
　　U-00000080 - U-000007FF: 110xxxxx 10xxxxxx
* K' R) l6 I: F5 s* h+ f" M
　　U-00000800 - U-0000FFFF: 1110xxxx 10xxxxxx 10xxxxxx. S) z5 ?) M) S1 U# G

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

　　U-00200000 - U-03FFFFFF: 111110xx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx$ w5 I$ Y! P3 h7 F% _. Q
% O# I, k. G' d' Q, Z. w
　　U-04000000 - U-7FFFFFFF: 1111110x 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx
1 P6 Q, _0 d6 k* V' a# X: h- Q! u# e
　　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]