HTML语言:什么是Unicode 什么是UTF-8(页 1) - 建站交流 - 捌玖网络工作室 |网页制作|平面设计|建站交流|代码资料|建站教程|主机域名|asp、php、jsp代码|网站素材

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：F.dag.V5Sz7Q

　　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。
z~(WrI:g2m
　　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。\fa#bnG#YK(N
(D6u/vpMO aY
　　2、台湾，香港等地使用的是BIG5编码l1z*[8{tf

　　3、日本：SJIS编码x)c ?.C:ht p
m-]5Vo)O7Bb!R#t
　　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。
@h,f+dG)s`
　　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。9BQr:vIX%a
~x)L&S9QG+H/t%G.dP
　　Unicode的学名是"Universal Multiple-Octet Coded Character Set"，简称为UCS。_-Av9V4K(c%lw
y(NuT&S#H|[a1B-{
　　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

　　20000-20FFF - 21000-21FFF - 22000-22FFF - 23000-23FFF - 24000-24FFF - 25000-25FFF - 　　26000-26FFF - 27000-27FFF - 28000-28FFF - 29000-29FFF - 2A000-2AFFF - 2F000-2FFFF\6C&FC B k-D
,EZ'}|t.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。
^(Q/iY&e].f4t
　　什么是codepage?codepage就是各国的文字编码和Unicode之间的映射表。
R}SP+|j2I
　　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。A w7_,r;muI E
fh&|.x9Q`8tR
　　codepage=936 简体中文GBK dZC5xR.t,T

　　codepage=950 繁体中文BIG5

　　codepage=437 美国/加拿大英语:P&_,\#Y1R/EuQ

　　codepage=932 日文(RNLKB!sU+n,P

　　codepage=949 韩文zm0l|q(cW*Jh
vQ'H.d8v
　　codepage=866 俄文

　　codepage=65001 unicode UFT-8^LKkW,h

　　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。{*yOj4X

　　从936中随意取一行，例如：|gebMs+K

　　0x9993 0x6ABD #CJK UNIFIED IDEOGRAPH[&u_]$x6a x5| l
a_$hj_%x S"t}W4b
　　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?
VG$Gfn?\'kX0L
　　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?
AK?GK
　　例：

　　E4 BD A0　　　　　　　　11100100 10111101 101000003l$fp*h/b5tFm4jM
$X0u@w8UYZ'S1?N+Qa
　　这是“你”字的UTF-8编码!x2M2}Q;U%BY

　　4F 60　　　　　　　　　　01001111 01100000
y9x!Z1yC
　　这是“你”的Unicode编码
|&KwH{i
　　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。"dR0Mz4M@l
.UC/c0H9k1I9fD
　　以下是Unicode和UTF-8之间的转换关系表： K*g1~,T?9s I
g7ll ^I1C]7h
　　U-00000000 - U-0000007F: 0xxxxxxx1N0q!@K@%P5P

　　U-00000080 - U-000007FF: 110xxxxx 10xxxxxx6`*C-SM{7Mxq

　　U-00000800 - U-0000FFFF: 1110xxxx 10xxxxxx 10xxxxxx
(eHcdPJ
　　U-00010000 - U-001FFFFF: 11110xxx 10xxxxxx 10xxxxxx 10xxxxxx
Vz@!nc'S8i'\
　　U-00200000 - U-03FFFFFF: 111110xx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx

　　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。

页: [1]

捌玖网络工作室's Archiver

HTML语言:什么是Unicode 什么是UTF-8