捌玖网络工作室 » 建站交流 » HTML语言:什么是Unicode 什么是UTF-8

admin 发表于 2008-1-19 23:35

HTML语言:什么是Unicode 什么是UTF-8

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：
7tw2[Y
b3l }-e r x B {s
　　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。
@7U'?!{%H
MeZe#E$F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。BdR_:G8b8vxmf

]}N Y0C 　　2、台湾，香港等地使用的是BIG5编码
pfb1NAJ\
E7XsD?J 　　3、日本：SJIS编码
+K1@.W(K/u'| { c%p/G6F'\W(`4^?S0]
　　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。
b0m|'n,o xOr eX
　　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。
.Uz*|dts C@ /R#z
Zvx {W.Sx
　　Unicode的学名是"Universal Multiple-Octet Coded Character Set"，简称为UCS。
]BP*i#F I;I(F
rQY*}J1tG 　　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
.i q]$lI _8UP/Gw H
　　20000-20FFF - 21000-21FFF - 22000-22FFF - 23000-23FFF - 24000-24FFF - 25000-25FFF - 　　26000-26FFF - 27000-27FFF - 28000-28FFF - 29000-29FFF - 2A000-2AFFF - 2F000-2FFFFHot
Q!t\|a u
}"|
x8|
WaW~
　　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。
f8|`pcx
;} w;N4`[ m+AR1B3w7_ 　　什么是codepage?codepage就是各国的文字编码和Unicode之间的映射表。{y9FF4J k

@7H3E;uJevx 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。
*K(Vl|)DL,w6a5~l R w9a"[vFO0Y|/D,AP
　　codepage=936 简体中文GBK'R,v:g2v'SfV

+RW:p} G`%@\ r 　　codepage=950 繁体中文BIG5$[ ]6EB+f];A*n
Wg-N{$p5L |-O
　　codepage=437 美国/加拿大英语?#P']
I$h1I/a\ v

.F
om6j7~-@S R0w]6V 　　codepage=932 日文*nZ vq
bL
E {)R;dg(j.P"gc
　　codepage=949 韩文
c viE&Wx/e
"E-sb2q}(X 　　codepage=866 俄文 CW9`4w7S| q:cH
6WQdM cS@"{
　　codepage=65001 unicode UFT-8sEX/G9t&Hsl
"U;`:mCJ5S$W4O
　　最后一个65001，据个人理解，应该只是一个虚拟的映射表，实际只是一个算法而已。0r`&nH3I+S
~-go4pX @W8NS
　　从936中随意取一行，例如：2n2cqO~B D8o0| ZLu0O
Q4WAtbe g
　　0x9993 0x6ABD #CJK UNIFIED IDEOGRAPHP v!WrLq@'I
8zWZ u,`
　　前面的编码是GBK的编码，后面的是Unicode。通过查这张表，就能简单的实现GBK和Unicode之间的转换。
(G6T!Y8K2a EZ
?#C ]%t2MB 　　现在明白了Unicode，那么UTF-8又是什么呢?又为什么会出现UTF-8呢?
(Lo+Wx5c$q*m+mlC8Z
0S~Iu*E }o1Q p'e 　　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?
:b\wN&p t:osBI#}
　　例：s/I9rN/Iy-t-Q @`

)DgG,ah4X)zdQ Y 　　E4 BD A0　　　　　　　　11100100 10111101 10100000
L+d3jw+CUMR
? :Nkwy7e
　　这是“你”字的UTF-8编码
%u1_#_&LezXz/s{ 0w"CN0h*jI6l1C3R
　　4F 60　　　　　　　　　　01001111 01100000
BFf6Wib4r s:H(\zjr"BNel
　　这是“你”的Unicode编码
d`#Q"k$Xs5K
UO7W+}UdF 　　按照UTF-8的编码规则，分解如下：xxxx0100 xx111101 xx100000，把除了x之外的数字拼接在一起，就变成“你”的Unicode编码了。注意UTF-8的最前面3个1，表示整个UTF-8串是由3个字节构成的。经过UTF-8编码之后，再也不会出现敏感字符了，因为最高位始终为1。
0JR4e&}E5MnN0os$`C
/~S9LKRxU9s 　　以下是Unicode和UTF-8之间的转换关系表：
e)V(K&ps /NC4ju$yipO~K
　　U-00000000 - U-0000007F: 0xxxxxxxQjf+h ^

3ql y9gG{`(EFU 　　U-00000080 - U-000007FF: 110xxxxx 10xxxxxx
iP$zXO5K xS4Z)bk@B-Y
　　U-00000800 - U-0000FFFF: 1110xxxx 10xxxxxx 10xxxxxx
'nk d:v2j+Y^
!K8{FG j1TTx)w%Z 　　U-00010000 - U-001FFFFF: 11110xxx 10xxxxxx 10xxxxxx 10xxxxxxok(jL9c

/tAU }&D9[ 　　U-00200000 - U-03FFFFFF: 111110xx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx9u9SS.jhb;tl;Q5T

FlQ{"[aoT,b 　　U-04000000 - U-7FFFFFFF: 1111110x 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx2~ K&Yh$^QD

UA#mBr2~;@ 　　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。

查看完整版本: HTML语言:什么是Unicode 什么是UTF-8