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：- D. a( X5 x1 j. D5 r
7 ^* S  q9 A. U  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。, R, |$ ]6 ]4 M2 o. i  K& j
4 R$ m$ Q. s/ C
　　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 I; x3 I) T. t% C: i4 ~

　　2、台湾，香港等地使用的是BIG5编码9 e2 S' Q* m% i" B# |

　　3、日本：SJIS编码# A5 Y: L' r* Y/ S/ e4 [
. r" w0 E) Z) 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。" [7 ~* N1 o2 i" v; i6 r, |
' D8 L. o, U& o7 d3 c5 j' q
　　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。3 Y2 X) V7 Q% k- Y  i

　　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
) f+ L, a9 N- e7 e
　　20000-20FFF - 21000-21FFF - 22000-22FFF - 23000-23FFF - 24000-24FFF - 25000-25FFF - 　　26000-26FFF - 27000-27FFF - 28000-28FFF - 29000-29FFF - 2A000-2AFFF - 2F000-2FFFF% A: d; \% V4 d0 a" y# t9 n

　　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。' D* c2 j1 [  s8 z
- ~! a) o& G- B9 i# z( |* p: W
　　什么是codepage?codepage就是各国的文字编码和Unicode之间的映射表。( P/ W  C/ O; E4 |/ ?  D& R& \

　　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。
% Z9 o3 `% J2 K* S5 ^
　　codepage=936 简体中文GBK
! G; ^* |, J! d9 Q) s4 o' ?4 ?! W
　　codepage=950 繁体中文BIG5
" ~4 b8 r: O1 `$ H6 H
　　codepage=437 美国/加拿大英语
' e* x# D9 O" N2 U% u0 D
　　codepage=932 日文6 l) }- M& V# O1 J

　　codepage=949 韩文5 Z' m$ g/ ]$ W) D# d3 F, z

　　codepage=866 俄文; I5 E' H! ^6 Y) `/ ~
0 Q* R/ R) C) C% B
　　codepage=65001 unicode UFT-8

　　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。

　　从936中随意取一行，例如：
/ b, E4 m5 E8 I" R
　　0x9993 0x6ABD #CJK UNIFIED IDEOGRAPH& Q0 R4 T* }" E8 u; S/ Q# d
# v: t% ]  ?$ c$ q3 O8 ^
　　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?2 `# w+ B8 Z; B/ ~( X# I) L: D
$ W. ]8 t- ~; j% I/ @" _) [$ L
　　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?: j3 \; G0 s5 Q4 _3 v$ W. }: N
: ~5 w1 B1 n4 B$ V* _# y
　　例：

　　E4 BD A0　　　　　　　　11100100 10111101 10100000
1 {0 ~) g6 J" V% F0 L0 \
　　这是“你”字的UTF-8编码8 ]4 l( l* [! K& j+ ~" \: _2 z# ~
  e, o$ O9 A* ~# c' T
　　4F 60　　　　　　　　　　01001111 011000007 X' e* G& O9 F+ Q
  o7 `8 [" Q) ^+ E" s  B6 {. v( A, x
　　这是“你”的Unicode编码! [- u; {( n, I9 U& P# W

　　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。6 ~# G5 d! N- H& g4 d6 L$ H9 s

　　以下是Unicode和UTF-8之间的转换关系表：2 O$ a% n0 e, B: o

　　U-00000000 - U-0000007F: 0xxxxxxx. E$ ?) g6 i1 ?2 c
. a- F8 p; Z; J
　　U-00000080 - U-000007FF: 110xxxxx 10xxxxxx. ^2 e$ G! S" K0 F9 ~: u: y  x, C
' F# k; [: t' y, N% F: j9 m
　　U-00000800 - U-0000FFFF: 1110xxxx 10xxxxxx 10xxxxxx+ J9 l4 W1 z' K0 j

　　U-00010000 - U-001FFFFF: 11110xxx 10xxxxxx 10xxxxxx 10xxxxxx
+ X! k- F6 B1 ?& B) T) b5 p5 i
　　U-00200000 - U-03FFFFFF: 111110xx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx: V. R( t: T/ ]9 p* Q/ e/ z
, x1 m' K9 g9 o8 I5 C
　　U-04000000 - U-7FFFFFFF: 1111110x 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx) M# m! a, Y8 M! I) z

　　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]