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：2 ]' Q; q2 [2 m* [9 }+ ]: Q

. ]; y6 c- M3 e- U- l' k3 p　　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。
& P) m/ y; C% P, Y' r
% T; Q+ Y# b8 V2 h+ `7 }　　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。
8 N- p3 ~/ V. _7 E+ @. O2 O( j! w9 W1 u3 I) u
　　2、台湾，香港等地使用的是BIG5编码
2 w  C3 |+ N! J) K1 x2 `
9 }$ D/ t2 D+ |$ P5 b' _: t4 w9 z+ d　　3、日本：SJIS编码
2 n  `, s' w$ P5 t4 `2 u* D! F9 {: ]! d6 `1 E+ x
　　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。
. t, U  h! x* R; G# q
0 C2 X1 @% z. A- b; z& u$ j( c5 G　　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。; l3 |+ i5 s* ~" e

  e' F# v5 e8 [0 a: [2 Z- d$ ~　　Unicode的学名是"Universal Multiple-Octet Coded Character Set"，简称为UCS。% }1 {$ p* ~! A5 a% s
- L/ @2 A% a- B/ W0 p
　　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, e5 M& p! U, L7 G
5 H. T6 b0 \/ D& C& H! A( Q
　　20000-20FFF - 21000-21FFF - 22000-22FFF - 23000-23FFF - 24000-24FFF - 25000-25FFF - 　　26000-26FFF - 27000-27FFF - 28000-28FFF - 29000-29FFF - 2A000-2AFFF - 2F000-2FFFF5 V, v$ J. ?+ m0 S! y1 ?: G6 g, ?% V
' T- ~! R( Z- r3 Y0 p; 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。" ^( a' |! b- n, h; G
/ S% F* L; p9 K$ j8 {4 l8 R
　　什么是codepage?codepage就是各国的文字编码和Unicode之间的映射表。( {: h) D% V6 i8 s7 @1 T0 g" v

6 u; |* [/ M# t$ V! m0 j　　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。5 F1 x$ y9 @& W$ v( K, h2 z- c

+ s" ~0 h  U8 Y1 K　　codepage=936 简体中文GBK
0 ]  ?1 a, V0 `  N; s6 T
# Z( Z7 ~, w' y, X　　codepage=950 繁体中文BIG5
# y" R6 ]  R: k  |* e$ H
4 k$ o* O+ e1 @& U　　codepage=437 美国/加拿大英语  r+ P2 d3 s( o$ h
% s# x. f; H' z9 }& h, r% |4 p
　　codepage=932 日文1 D, M& J+ d* @* R: S

9 ~/ S6 P: `1 ^　　codepage=949 韩文" [! G: A+ K9 U" u0 ^  [
( `$ G1 L4 i0 y1 g
　　codepage=866 俄文
+ ~3 }8 L: B2 m+ N. B6 ]
8 P2 i# b, x6 x4 B　　codepage=65001 unicode UFT-8
: R/ Z0 U+ W/ }8 X! p+ q" \+ `9 F; E
　　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。
4 \! F! Z. R" v' x/ T& O
: {1 B$ I) `2 f# Y　　从936中随意取一行，例如：! \5 |7 \6 w! Z1 r6 ^  L
3 h; H* E+ z- b* v2 B9 L& o! P
　　0x9993 0x6ABD #CJK UNIFIED IDEOGRAPH( t( ^  X6 H# C- f' V* v: L

2 U8 b# t: Z+ {0 S1 }6 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。0 r; G. e$ o" l9 F' D! ]
8 k& d. Y* q  d/ U$ V) k
　　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 w0 s0 y$ {8 g7 N0 }& J* W# Z" \1 R+ E1 o6 |* U/ ]2 C1 X: s
　　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?$ \0 K" u' o# T
: v5 I9 F5 t& F; ^
　　例：
; a+ K2 Q/ w% V/ n2 l0 u1 s, A5 U4 T  C9 h: R
　　E4 BD A0　　　　　　　　11100100 10111101 10100000+ C' @; X; |5 q* ?+ g
& f( [- u, V0 l6 w
　　这是“你”字的UTF-8编码5 R' _. Z1 X' P8 C5 {; ~2 i" t
0 v& l( Y" v; ~) U
　　4F 60　　　　　　　　　　01001111 01100000! D( R5 w- S4 x& n' U6 a# L
# T; q; z* t  Y; K, r* c; U
　　这是“你”的Unicode编码  b; J8 [) V! d

3 e2 c% V. X1 Y7 }6 b# d8 e　　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。
' y' d! \& h  w' F& i+ g% W7 J5 w# a1 c% ^3 l
　　以下是Unicode和UTF-8之间的转换关系表：/ W1 `1 b5 Y9 T; ?4 y
7 X1 b& X2 e, a
　　U-00000000 - U-0000007F: 0xxxxxxx
  a3 a6 K% q3 v5 E4 X% A+ Q& }6 j: L! _3 o7 w/ Q; u
　　U-00000080 - U-000007FF: 110xxxxx 10xxxxxx6 @5 h# I. x  q2 b( i$ f

! A6 [7 O% n" T( l, p　　U-00000800 - U-0000FFFF: 1110xxxx 10xxxxxx 10xxxxxx' a, {1 c) y5 O9 a

0 q, \9 c1 _& W0 \% m　　U-00010000 - U-001FFFFF: 11110xxx 10xxxxxx 10xxxxxx 10xxxxxx
+ f( I9 b8 U7 G- s  V% U1 C5 W0 I4 h7 v- H  o
　　U-00200000 - U-03FFFFFF: 111110xx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx( K# M* Q1 G" t) L. d+ B" Z

6 T, K; t+ ^5 @2 t7 y0 T0 W　　U-04000000 - U-7FFFFFFF: 1111110x 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx" x$ D6 P$ t: ]; o2 ]; N# h

8 S; `  E. W+ w, `　　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。