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：, u$ z: t% }, L" i; a5 `% r
+ J. N( _% S4 M2 j7 N
　　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。
7 [$ E* m& O0 _, ?; B
　　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、台湾，香港等地使用的是BIG5编码5 ?% z! ^2 L4 u5 Z/ I
4 m3 r! U8 d" Q2 L& a
　　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。' s: q8 a+ P: G+ [  a$ ~2 M
& [  J9 K6 }- f+ \, f- L4 q4 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。
: g9 b- P8 \  h, _: K
　　Unicode的学名是"Universal Multiple-Octet Coded Character Set"，简称为UCS。- C% S8 I. f4 g, h" {

　　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+ t4 u8 r& G8 {

　　20000-20FFF - 21000-21FFF - 22000-22FFF - 23000-23FFF - 24000-24FFF - 25000-25FFF - 　　26000-26FFF - 27000-27FFF - 28000-28FFF - 29000-29FFF - 2A000-2AFFF - 2F000-2FFFF
' S( Q$ ?2 m7 a5 |/ o
　　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。
* h) d$ [  `, O1 p% @' P, M
　　什么是codepage?codepage就是各国的文字编码和Unicode之间的映射表。4 k) V5 z- j* s0 g% z  v

　　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。
0 y+ |) v2 N0 {4 ~0 b
　　codepage=936 简体中文GBK
0 k- ^) m& n+ y9 v' t7 E5 D
　　codepage=950 繁体中文BIG5) e$ w) Z* i# }
( b: f  Z+ U6 E3 q& G
　　codepage=437 美国/加拿大英语9 z7 [' `6 y" P' Y" w
0 D2 h7 ?7 L# n  n2 l
　　codepage=932 日文% @7 b6 D0 \" i8 C5 M+ t: j

　　codepage=949 韩文- b5 x. G, y$ k0 F1 @: P3 Y6 D
6 e5 L  P! y  h- x% K" j) T6 k
　　codepage=866 俄文& z5 b/ ?! m+ W& q7 ^6 R" R
5 q' w3 j" ?. h
　　codepage=65001 unicode UFT-8
* M6 ^) |, B1 Y. c& T/ y7 h) 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。' \3 L; W! g" M" d4 a. X3 o
# z& a$ s: _5 p. C! A' v
　　从936中随意取一行，例如：6 X% R& K3 J- z2 x& G  R+ m

　　0x9993 0x6ABD #CJK UNIFIED IDEOGRAPH# \$ z/ c9 T  X% U' n
6 U! D& J$ B3 E" u; h+ _; @1 [
　　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?

　　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?

　　例：: D3 }* T3 x/ T

　　E4 BD A0　　　　　　　　11100100 10111101 10100000

　　这是“你”字的UTF-8编码
4 e8 R: w' b2 {5 l. _9 M8 d" O: d
　　4F 60　　　　　　　　　　01001111 01100000+ J: u4 k1 K! r$ D$ C3 |
& M! s& \* X! G
　　这是“你”的Unicode编码9 o0 f2 u4 A) i- J4 P

　　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。( }1 `6 }. S  ?: G/ H( D

　　以下是Unicode和UTF-8之间的转换关系表：

　　U-00000000 - U-0000007F: 0xxxxxxx

　　U-00000080 - U-000007FF: 110xxxxx 10xxxxxx
& L3 n; I& {8 b" n# e- V8 }
　　U-00000800 - U-0000FFFF: 1110xxxx 10xxxxxx 10xxxxxx! Z$ a4 b1 ]4 y, u' S& |
- ?0 `  I+ u& |  F
　　U-00010000 - U-001FFFFF: 11110xxx 10xxxxxx 10xxxxxx 10xxxxxx

　　U-00200000 - U-03FFFFFF: 111110xx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx/ _. V4 X/ o4 {6 U: Z. ]# R

　　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]