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：
  |# m) l4 M( r& ^  y
　　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。$ Q! }$ q1 O( @, I0 Q- P7 x

　　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。
4 w8 Z: u7 f: }# c; B
　　2、台湾，香港等地使用的是BIG5编码' Y9 K. E, Q7 I

　　3、日本：SJIS编码

　　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。
' n8 \6 i5 U( U9 B2 m
　　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。! p. s) M- ^$ K- b% |9 _& ~# Y- d  o

　　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
& \5 `, y3 m1 i. z) k0 q
　　20000-20FFF - 21000-21FFF - 22000-22FFF - 23000-23FFF - 24000-24FFF - 25000-25FFF - 　　26000-26FFF - 27000-27FFF - 28000-28FFF - 29000-29FFF - 2A000-2AFFF - 2F000-2FFFF

　　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。- K9 f  a. ?! s: p- v4 Y
  x: ^6 Q8 a& `6 i% ?( K
　　什么是codepage?codepage就是各国的文字编码和Unicode之间的映射表。
3 _4 m' c% R9 a& q' O/ Q
　　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。
8 J8 g9 K4 ?# P0 o" x$ ^$ L
　　codepage=936 简体中文GBK
4 z( W  }; [% R. T
　　codepage=950 繁体中文BIG5
5 {# W; b2 o6 E% v. l- @0 F% u
　　codepage=437 美国/加拿大英语" d, _+ n' G+ u1 E+ l
- |# D7 R0 @8 ]- u
　　codepage=932 日文- ^. W1 L3 R: @( d8 h! M! n
- r3 _4 \5 _  ~. u
　　codepage=949 韩文
7 Q: ?8 U7 d0 u' ^. Z" z
　　codepage=866 俄文8 r9 ~4 p' K1 N/ [9 h8 y3 T! S

　　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。
' ^7 y* h; p/ w3 m
　　从936中随意取一行，例如：
  a) `3 f1 S2 ~. Y4 [+ e
　　0x9993 0x6ABD #CJK UNIFIED IDEOGRAPH' f) w4 \. @7 q% j) ]4 E
' L1 F$ Z9 H, k. D) ~0 m5 Q, ~
　　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。
) y% j1 {+ _0 Q% u
　　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?' I9 C; t2 _5 `& D% u% e* C
# g. U8 y# c% v6 L/ _% a- @
　　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 ^& A) p# B8 I' }
　　例：
+ Y! S. D) P! T6 F; b+ W& y* D
　　E4 BD A0　　　　　　　　11100100 10111101 10100000

　　这是“你”字的UTF-8编码" M, g8 I0 B# c4 ^% Z# N9 k8 L

　　4F 60　　　　　　　　　　01001111 01100000
( {8 e* t/ _5 |& J, }" S( ^2 t
　　这是“你”的Unicode编码
" i& Y5 K6 w9 _3 l. S" M( o+ P+ t8 `
　　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。
( Q* N/ K; j' d+ B! b4 c
　　以下是Unicode和UTF-8之间的转换关系表：6 {8 N1 n3 H9 G1 Z2 u2 `1 J
0 C& d: ]) r' n. c' @6 L- j
　　U-00000000 - U-0000007F: 0xxxxxxx) v2 U, g+ ?( G7 d& K

　　U-00000080 - U-000007FF: 110xxxxx 10xxxxxx
1 d8 k( }  J, e+ W/ v% {3 }
　　U-00000800 - U-0000FFFF: 1110xxxx 10xxxxxx 10xxxxxx. g" ~" Z7 o: e! |2 I4 c1 ~
5 }  T6 h0 l8 b: g- r, Z
　　U-00010000 - U-001FFFFF: 11110xxx 10xxxxxx 10xxxxxx 10xxxxxx- h/ s! Y1 y$ l' v: ?

　　U-00200000 - U-03FFFFFF: 111110xx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx
5 I" I* r+ @! C  I
　　U-04000000 - U-7FFFFFFF: 1111110x 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx7 _* o7 l9 D8 D3 [" @  r

　　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]