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：
Z [Z#oX
r0x9l5\;vZz*B 　　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。\6u-u,]J]

ql*yCijT.Q 　　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~ QyD,Mw
``!g
:Gd%RS0]-D
　　2、台湾，香港等地使用的是BIG5编码
/}7{yN.f`7r3eX .LAM RdN7z
　　3、日本：SJIS编码
0pr"b^Ik.W4}+kq5e
}'D
EG,p0\QN+X*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。`B0`%HGPHJ

K,qN4tvM 　　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。Yu;S]h3T T8y
'cKLA'v6q
　　Unicode的学名是"Universal Multiple-Octet Coded Character Set"，简称为UCS。e y&Rd T] G
#R|)MYwE.z
　　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
8e IVd@$V
B*k:g&Mzz+m 　　20000-20FFF - 21000-21FFF - 22000-22FFF - 23000-23FFF - 24000-24FFF - 25000-25FFF - 　　26000-26FFF - 27000-27FFF - 28000-28FFF - 29000-29FFF - 2A000-2AFFF - 2F000-2FFFF
}de9]*L6b%~ v w9J
Bi]4B3S,b&k,h 　　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。
iU'Ax4avS([2BA
&v8|2_#X;Q0A9Cee 　　什么是codepage?codepage就是各国的文字编码和Unicode之间的映射表。
;e&^FK2Va L.a.\S-M @(QP
　　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。
$X9z!J&h{_
9N9`r8n!h#J"` 　　codepage=936 简体中文GBK
c4@.at#_J ~7ExZ1dh{X-D0|
　　codepage=950 繁体中文BIG5]&A'CHO]q
]$J%{!V!~C
　　codepage=437 美国/加拿大英语
4L0a|z0LH m}8fl
$AQ @7NWC/Y 　　codepage=932 日文
m4C~
Qa3e R~e,@#r
9dM,mt$` 　　codepage=949 韩文
?%Q!l0qxV
1dY~1iR'Cs6rw 　　codepage=866 俄文8im6I'S,B(['F-} X}W
zIqWX.x W
　　codepage=65001 unicode UFT-8i~!I(j9]w
w*^4Q,U-N
　　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。
C']1A)i)JpE|qu$[
*yG(`Qzl,|Q#rT 　　从936中随意取一行，例如：*N*x$L } E5]Y

alZ]?6X+C8v 　　0x9993 0x6ABD #CJK UNIFIED IDEOGRAPH
V\-v*G$W)];^2~WH[F6k ^,zGIM'WjP
　　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。C7JjU;[5V?9h

[;Nu)yn7d#PLW 　　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?]9ew-ep1a
4bslpZ/h#j
@L
　　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?
C-}Y$_!Jz(TN .nj_-f4l`2M+h1ef
　　例：-sXN Rl"zRl

g5e5~7q4?v
　　E4 BD A0　　　　　　　　11100100 10111101 101000001q(]| zA l-F
6gtKX,WcT
　　这是“你”字的UTF-8编码
|(~&v*H+z5a6g]G 6B!e]N9B8UP1X
　　4F 60　　　　　　　　　　01001111 01100000
(IKo,]1\|0y h6Ru #x@7K4][8P
　　这是“你”的Unicode编码HyO@h
?,G9wnK:`
　　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。 HBW(Ay]x#L6@%f
*QbYJaT W1pHZof+I
　　以下是Unicode和UTF-8之间的转换关系表：
4W-V+@u%sc4f!Z T d `|EqG^&C
　　U-00000000 - U-0000007F: 0xxxxxxx({M X9~)JF-FF
m(_bv|l
　　U-00000080 - U-000007FF: 110xxxxx 10xxxxxx
i7i#B|!aY(Bpx
/X};q)b
Jt 　　U-00000800 - U-0000FFFF: 1110xxxx 10xxxxxx 10xxxxxx0?kcR8NS4X
v&M1_6XJ3h:W
　　U-00010000 - U-001FFFFF: 11110xxx 10xxxxxx 10xxxxxx 10xxxxxx{/t(Rn8`ZeM:E'M*m k
)Q#cE4ACU\
　　U-00200000 - U-03FFFFFF: 111110xx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx |P*c~Gy8Y
T|6ggc{3v1b
　　U-04000000 - U-7FFFFFFF: 1111110x 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx/sePD^;lX:z{H
i_qu&K\.WA
　　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