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：" _/ u) L) A- o8 `0 \$ ]' r

4 S$ ?: }7 w  ~9 d5 [　　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。$ x1 i9 _: e1 \

4 o0 I, G: r# ?  @' B+ i- j# a　　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。
5 H7 ~0 S  N6 U. m( d. I
  V, t/ o- m" \" Q! ?' k. J# W　　2、台湾，香港等地使用的是BIG5编码
0 X# m9 l# R. o; d) F0 ]; S
$ f3 B; I/ S' a$ r0 U8 n　　3、日本：SJIS编码
0 q* U7 W. J3 E0 Y; C( ~) s( c& e5 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。& `) l7 Z  R  {8 E) v, j2 u" Z- p

) {) {3 a6 V; A1 y+ f　　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。
9 p2 K6 i# B5 ?  N: {
9 d& I8 {7 o; c. @3 \4 `( y/ J　　Unicode的学名是"Universal Multiple-Octet Coded Character Set"，简称为UCS。
3 S) f$ j. k5 t( v: @! j1 n8 z/ U: f) L- R) N' D- E5 v$ J
　　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$ Q* t( C. l# X2 K2 P. K( s
/ \1 I5 i  r9 Q1 Y4 v9 a
　　20000-20FFF - 21000-21FFF - 22000-22FFF - 23000-23FFF - 24000-24FFF - 25000-25FFF - 　　26000-26FFF - 27000-27FFF - 28000-28FFF - 29000-29FFF - 2A000-2AFFF - 2F000-2FFFF  n; x0 n. e9 v+ h3 V  `( }

& K1 g& g3 \# [　　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。* ~& _+ y& f: W9 c7 z8 ~2 |

% E' a+ Y/ B, _7 u( q, ]' G　　什么是codepage?codepage就是各国的文字编码和Unicode之间的映射表。
, [7 s+ H* V( P9 a" @! n5 w: S" Y* b. s
　　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。* A7 W' k  n- x; w# b6 i

' M( C2 P( q# d+ U. ]) P　　codepage=936 简体中文GBK1 a3 X4 b' o2 n: `5 r8 _: \# X
' w# Y, b, b, m" |# N. L8 h5 I, [3 H
　　codepage=950 繁体中文BIG5/ Q5 R2 g* c$ [8 e

! _5 c5 `0 t0 k* F　　codepage=437 美国/加拿大英语
3 D& Y( q8 E! w8 W0 e0 r/ t: B4 r" [/ {- N2 i1 f
　　codepage=932 日文- `: m: A; M' [& L% q
: n1 n# S% }4 W+ e# a! w6 B
　　codepage=949 韩文. I5 B6 }4 n/ W% R( y% K9 d
" C' @" w3 K7 ^( w% j( t
　　codepage=866 俄文, W  A- C' e2 t" a; `7 X7 `) r

$ x4 M; z+ A" O/ \/ K! X　　codepage=65001 unicode UFT-8
/ j7 R; |8 _2 K/ x( H7 Y( b3 R# p5 f* u& W: |& n8 t
　　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。
5 M( ~" J& G3 n  B7 e
6 V# A8 w8 W% {8 Y2 A　　从936中随意取一行，例如：' w- ^! X8 f; k* x3 G5 ?9 C
& M! d/ H4 R3 \
　　0x9993 0x6ABD #CJK UNIFIED IDEOGRAPH
+ K/ O$ f( \; b8 e4 J) A$ o) r* I# M; [0 A- G5 u' E$ P
　　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。
, ~; t: k$ C/ B* D/ z3 \% z
" v9 f: Y2 \2 c: O8 k) |) E! h+ |7 c) e　　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?
: t1 w3 z$ t1 e1 Y# P, i& B% z* e
7 e( y) W8 A! M' R; z4 Q　　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?
' o, V* c$ u" n" E0 ]8 b) S
+ h8 C  K- T' F) J　　例：
0 P/ d2 W' K# v' W: }% Q( U, l7 W6 `$ s
　　E4 BD A0　　　　　　　　11100100 10111101 10100000
: Z6 a8 A6 p/ {' y) W( P4 _! W3 g! J; y: f
　　这是“你”字的UTF-8编码
6 V! [) y2 {8 P4 z; ]0 J3 m1 ~* c& r/ v  ^7 M  d/ p
　　4F 60　　　　　　　　　　01001111 01100000
$ e# H( U+ Y/ Q9 x* d- e3 |( Y8 i5 x, P- d% b, v8 }% K
　　这是“你”的Unicode编码" k1 A/ e: f+ T( b
0 t* g) Q" O8 p4 B
　　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。
, Z; x% j$ v( G# j5 f7 `9 a9 Y5 ]! t! b
　　以下是Unicode和UTF-8之间的转换关系表：& ^1 Z2 c9 y) |0 Q

0 o% I4 c# X9 p2 y% ~- d　　U-00000000 - U-0000007F: 0xxxxxxx+ R- o: K5 J% B, Q
9 \! {# L0 E: y/ |
　　U-00000080 - U-000007FF: 110xxxxx 10xxxxxx& g- R4 d2 i  c) s+ G
( a. j9 W- [3 |' c) {
　　U-00000800 - U-0000FFFF: 1110xxxx 10xxxxxx 10xxxxxx
7 }( k! |8 I, R' [, s
9 f3 m" L3 ^- i& L+ {8 Q4 K8 N7 p　　U-00010000 - U-001FFFFF: 11110xxx 10xxxxxx 10xxxxxx 10xxxxxx2 k# M1 N' b6 K' f$ T6 o! U
: ^% Z  O) Q5 p7 \7 ]
　　U-00200000 - U-03FFFFFF: 111110xx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx7 O1 r' M* `( S5 t3 O
% f7 v7 Y' _  i
　　U-04000000 - U-7FFFFFFF: 1111110x 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx
( ^2 L! D8 \9 x( L* y6 R' P4 Z2 Y6 v# S0 ^  K) N5 m9 v
　　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。