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：/P iE3cH

w#iD!G3`'ds7~ 　　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。^8Rth[ ESY

^'nH@ k(V0Q 　　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。,`1n.pQ6MDz u)bv
l\Z)|Orsp
　　2、台湾，香港等地使用的是BIG5编码
fv#w[R]v2Q+P
#B ~7dGp/e?H 　　3、日本：SJIS编码q`J&JT8tQ^ a;Tuf
R*?QY"e;@|1Y3l Hq
　　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。
C,}\0x$dAQ1jm|~
-l#A(F7\/kW] 　　在这种语言环境下，不会再有语言的编码冲突，在同屏下，可以显示任何语言的内容，这就是Unicode的最大好处。那么Unicode是如何编码的呢? 其实非常简单。就是将世界上所有的文字用2个字节统一进行编码。可能你会问，2个字节最多能够表示65536个编码，够用吗?韩国和日本的大部分汉字都是从中国传播过去的，字型是完全一样的。　　比如：“文”字，GBK和SJIS中都是同一个汉字，只是编码不同而已。那样，像这样统一编码，2个字节就已经足够容纳世界上所有的语言的大部分文字了。8~5p'FQ$C.Fl&r W

C:R*[v#ts U}%l-N'v 　　Unicode的学名是"Universal Multiple-Octet Coded Character Set"，简称为UCS。
*aT7w)WI|LL0rq
*kNs.Pp3g 　　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t^:K ~:R)I"fa
/|6z?K.t0_
　　20000-20FFF - 21000-21FFF - 22000-22FFF - 23000-23FFF - 24000-24FFF - 25000-25FFF - 　　26000-26FFF - 27000-27FFF - 28000-28FFF - 29000-29FFF - 2A000-2AFFF - 2F000-2FFFF QGzS9A@;]M
r"uxXD%b5L{
　　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。iA].A%_7n4~1W"v

clcH W}oE3~ 　　什么是codepage?codepage就是各国的文字编码和Unicode之间的映射表。
xnN \h"i3K_
s!H
N9X!b0H U&rHn 　　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。
+gJ'})e[_T 'p2_T0K!u5F o6v+?wo]
　　codepage=936 简体中文GBK
:QQ9rO&z2t'FCMa XiQ5l8U
　　codepage=950 繁体中文BIG52HG2xmK

#O_%T:Z`;Q*oj6b:~'@ 　　codepage=437 美国/加拿大英语V&CZ;OaB%a
b.gZ.]"S@
　　codepage=932 日文
/?1V]Pf4c!X;]6U+|
X$rC n#O3e 　　codepage=949 韩文Q7fDRB

1cy$]!O)G1rp/x.l 　　codepage=866 俄文p Rl/~`h%V

@s`g{yZ
　　codepage=65001 unicode UFT-8
+oQve^)A&i (ZdMM|#r
　　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。
S3cRv%F@`R4@
p$Xy7@&P&Q"] 　　从936中随意取一行，例如：b"bZ_Wl5t

mjK$u4q/U 　　0x9993 0x6ABD #CJK UNIFIED IDEOGRAPH(jb}t$\;X!MGI
tI.YU-nG1_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。d)OKBB^Wf7}R
-X#ws
ahN Lb
　　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?
!f%v}z k J
3|vu#jA,J5g4x9Ck 　　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?%d,D\#dE6W(SY8VL
0w[ Z"n*q
　　例：
G3NKR&K+C&|0O|} o'dCB E
　　E4 BD A0　　　　　　　　11100100 10111101 10100000
vb
B1mU K
#Mru
t!G'z5H 　　这是“你”字的UTF-8编码-ngm1URx9q

pHx8^9[)F 　　4F 60　　　　　　　　　　01001111 01100000
$a{K\[] ;d
OkC~+E0^cw
　　这是“你”的Unicode编码L.zO I5M `B$l


w:il*[D*K3yz:C 　　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。7n }*s:],G"K._[
.p5t#y5oF2Nj
　　以下是Unicode和UTF-8之间的转换关系表：l%d:B-Fd9X o|
e(V;E nnzc'`V
　　U-00000000 - U-0000007F: 0xxxxxxx
eSgJL*P` d@ 4Po_9fn5R2`
　　U-00000080 - U-000007FF: 110xxxxx 10xxxxxx$V?#I W3H_/@/KZ4}B;d

Ci DA k)O&hqC"D8n6s
　　U-00000800 - U-0000FFFF: 1110xxxx 10xxxxxx 10xxxxxx
0_)M ~8kl5r o3UmDI
&A4@g axU-c 　　U-00010000 - U-001FFFFF: 11110xxx 10xxxxxx 10xxxxxx 10xxxxxx
\*tMA$S1C4?A lJpIFK;oCR
　　U-00200000 - U-03FFFFFF: 111110xx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxxg1y_/[hU

&qB9e3z'?.?e{ 　　U-04000000 - U-7FFFFFFF: 1111110x 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx2_,m OY!J |/VK
jz.t!y f&e
　　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