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：
'n0n)X!K;L'sUV^3P a$?6Z0o9jH/?:J&\
　　1、在中国，大陆最常用的就是GBK18030编码，除此之外还有GBK，GB2312，这几个编码的关系是这样的。
4^T] q'\8Q-|h
+k2SB$fV+~;CZ8l2g7e 　　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。
4x({NMO A fTf!~*J
　　2、台湾，香港等地使用的是BIG5编码
d+N~d/v
q [I:~:k}#R(?
　　3、日本：SJIS编码
5OB!X.M R,KPyo6_ 6zxB_L
　　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。
wyu7Ds9b 6X2`{B5Kw"F{[1Y"M3t
　　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;\&RY0R}!jX5t4_ D;I3A6J"z7fj[ y!u
　　Unicode的学名是"Universal Multiple-Octet Coded Character Set"，简称为UCS。!C/r0IwZY xp6r
{V

)c'k'F5Y ~/A7m#x 　　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
u \ b:[Yg$bG p|1w$y}L^WE
　　20000-20FFF - 21000-21FFF - 22000-22FFF - 23000-23FFF - 24000-24FFF - 25000-25FFF - 　　26000-26FFF - 27000-27FFF - 28000-28FFF - 29000-29FFF - 2A000-2AFFF - 2F000-2FFFF
iM"|Q7P$D@ Rh;g'sk_
　　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。
0dd0\t*IIb h:e'\&jy9U
　　什么是codepage?codepage就是各国的文字编码和Unicode之间的映射表。TK@~w0eK8^Y
:z/tiX;@Xy(R&L6{)eC
　　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。
.}]1S\zH'\^h6N p9c4L]~%m^2Sy
　　codepage=936 简体中文GBKS&[R,` ?W qt c

ZI
Y xJhBu 　　codepage=950 繁体中文BIG5*We:ssc"G5i X

+L6?9UD^4m/Ex 　　codepage=437 美国/加拿大英语
,pv-xPon
;T(\ ha VYlsCLI 　　codepage=932 日文4l9q9B wC
.GC#FL_6H"@
　　codepage=949 韩文
j-EF)zu:Z.k C@ T.`oil lBI#_mc
　　codepage=866 俄文
sD2S4z4I(Q X U!{-H1O6G \#P
　　codepage=65001 unicode UFT-8"ANbU9ky? w$B

s4h$i6bi)t0u;FP 　　最后一个65001，据个人理解，应该只是一个虚拟的映射表，实际只是一个算法而已。
)h)M1W2W\ U
j
}\5c
1XIw^P~7U]W @ 　　从936中随意取一行，例如：
vX8K [
OC Z1M(N8^-l$C3V
　　0x9993 0x6ABD #CJK UNIFIED IDEOGRAPH
c8q][UUH%_ z&@ntu#M
　　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。$a w c4Q}gp
C&Q`z

m?DAS\|/Aiq 　　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?
'j/M7Ri7{'?:u
]1C
i%|N*\ 　　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?
x0G#Bd"K*A/P?Bo*o
gO"dzh\ 　　例：
-PP6[7s,M$KP W2_qB!{"H
　　E4 BD A0　　　　　　　　11100100 10111101 10100000"\+i!lJ-Z&D6N
iV5D{}?
l7~"YM/Sg
　　这是“你”字的UTF-8编码
|
sU+@+k({Ga V.Hp b5G})G'C
　　4F 60　　　　　　　　　　01001111 01100000
K5OL5\-W'ee
3I*Xp3Xh^Q 　　这是“你”的Unicode编码"|G;U1C9w }

Ll6Q;K%U5| 　　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。
a8]1d5P3yP6LNp ;Ni^-D2eM\)u(k
　　以下是Unicode和UTF-8之间的转换关系表：zT*q&y/Oi

2Y-a9C9z5l-h6I-B BdEV 　　U-00000000 - U-0000007F: 0xxxxxxx
!b p7teA9W /rT)F'G8J2r_0Uj?
　　U-00000080 - U-000007FF: 110xxxxx 10xxxxxx
f6g tL*O2`oRN dD)^uX4bb8F M]
　　U-00000800 - U-0000FFFF: 1110xxxx 10xxxxxx 10xxxxxx#Pr3o4@Q$FBz5T

{%E Z
r.W 　　U-00010000 - U-001FFFFF: 11110xxx 10xxxxxx 10xxxxxx 10xxxxxx
%|?0a@2j!{7X
9nG3H{ [e6t O9~
h 　　U-00200000 - U-03FFFFFF: 111110xx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx^H }L+{&j
0_ \(u?0sV4o
　　U-04000000 - U-7FFFFFFF: 1111110x 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx
&b@6Y9r&h;ER5F&e
{PoNp?6zT 　　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