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：
1 D) X: F: _; K" B# c
　　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。

　　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。( ?- v* X8 g1 {" \" A" ^

　　2、台湾，香港等地使用的是BIG5编码

　　3、日本：SJIS编码; X0 y1 |1 h1 w4 \' u7 E  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。' H9 E; g9 p8 h

　　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。
% w3 r+ Z  v. @
　　Unicode的学名是"Universal Multiple-Octet Coded Character Set"，简称为UCS。
! V' v+ N" N) F9 G0 z+ A* E
　　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/ x: E. R% t% S# H

　　20000-20FFF - 21000-21FFF - 22000-22FFF - 23000-23FFF - 24000-24FFF - 25000-25FFF - 　　26000-26FFF - 27000-27FFF - 28000-28FFF - 29000-29FFF - 2A000-2AFFF - 2F000-2FFFF; w. S; v3 b2 u& j7 G

　　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。

　　什么是codepage?codepage就是各国的文字编码和Unicode之间的映射表。

　　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。  L3 y$ D& t- K  p2 u( x

　　codepage=936 简体中文GBK
2 ?( f4 P( n/ L/ Z% Z  U- m2 [
　　codepage=950 繁体中文BIG51 \" J- T  W# Q& g/ u

　　codepage=437 美国/加拿大英语

　　codepage=932 日文
" j' K7 l! D7 P$ B/ c' J* k
　　codepage=949 韩文; \' r) p* U/ x: A$ \

　　codepage=866 俄文/ T" I7 P. p/ T/ r, L

　　codepage=65001 unicode UFT-8
7 x' q! J% h$ i- k, M
　　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。$ w  Q! Y& p2 @3 V
) r4 m  Q0 N- U! S) G6 s/ A" F
　　从936中随意取一行，例如：: d, I7 S2 {1 y; [7 }
+ @- Z+ L' Y) S! b; k
　　0x9993 0x6ABD #CJK UNIFIED IDEOGRAPH
+ J, t. W  Q$ p6 c. K5 f
　　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?
1 f& A- `- d( i8 m1 g
　　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?; N; L6 O& u8 Y: n
9 q8 A# o, u7 a8 W- n9 n& Z. C
　　例：
' g4 `6 B7 @) t7 W
　　E4 BD A0　　　　　　　　11100100 10111101 101000006 ]7 J9 [; I5 a0 n+ z! w
. B/ h+ \. H' k5 p$ R* E/ F
　　这是“你”字的UTF-8编码4 H  T, d' y& I: U- }7 p

　　4F 60　　　　　　　　　　01001111 01100000' l/ b& Z) X. [7 Z  b
1 f2 i9 }. P* `, x* L
　　这是“你”的Unicode编码
6 x1 s6 _, y3 s" _9 m
　　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。
' ]# q5 A) [. `! k5 z9 `/ ^1 }
　　以下是Unicode和UTF-8之间的转换关系表：1 z# n1 M2 {: w/ }+ j( K; n
$ ?% M$ L( O0 q6 I% A+ y
　　U-00000000 - U-0000007F: 0xxxxxxx1 e5 }7 g' t6 \& W* q: M9 ~) D5 t- r
% S$ O0 U: A* D! ], q
　　U-00000080 - U-000007FF: 110xxxxx 10xxxxxx
* J1 g$ [. _' p9 h  F  I1 d/ q
　　U-00000800 - U-0000FFFF: 1110xxxx 10xxxxxx 10xxxxxx
9 A2 _9 W; ?7 p
　　U-00010000 - U-001FFFFF: 11110xxx 10xxxxxx 10xxxxxx 10xxxxxx' k4 H5 l1 T1 c

　　U-00200000 - U-03FFFFFF: 111110xx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx
  L* y  G! n. q- E7 t7 p1 z3 t
　　U-04000000 - U-7FFFFFFF: 1111110x 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx

　　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]