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：h,I B`P?^0q

`9q?gDBcs 　　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。
FQ^&q0X| W
Uz(dqg@ 　　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。CHwW5okUq

x$a.l#Yq.ls3xS8O!D 　　2、台湾，香港等地使用的是BIG5编码
W2Ay8M a%u@1^z
3m)OCe6y}&H 　　3、日本：SJIS编码LVMm/q

y0l Pa%h 　　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。M;Xct%Gk)`
-yU2_Q/N
Rj
　　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。
3ydm"y2YR;a1W^&\ 3G$Oa1FPFAt$n!z
　　Unicode的学名是"Universal Multiple-Octet Coded Character Set"，简称为UCS。
\r:A7^e Y
1lS7M!Dq]Sn-s 　　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
+R(r |_7D\Gi9L*U;z )Z!M|E/P:Q4X4}
　　20000-20FFF - 21000-21FFF - 22000-22FFF - 23000-23FFF - 24000-24FFF - 25000-25FFF - 　　26000-26FFF - 27000-27FFF - 28000-28FFF - 29000-29FFF - 2A000-2AFFF - 2F000-2FFFFg eUo.yt
HNY.c F6}d
　　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。|4PT F^5LW

!A8C3po.F |Z 　　什么是codepage?codepage就是各国的文字编码和Unicode之间的映射表。
_]-V p^EJm6M
N$yE(I GM%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。
$vCG}'^%t $mxR4PCC2K
　　codepage=936 简体中文GBKG,ta|;m)_5l

bh;WWP T\m 　　codepage=950 繁体中文BIG5
ZJ)j
DO
d8P+f2il
7FII3LH
o/P4tn 　　codepage=437 美国/加拿大英语
plXS+~(G:v
TU}iw!P,B 　　codepage=932 日文W"m4m]6q%Rv
m7D
9gmxYxXa
　　codepage=949 韩文
G`b n2J1n:f'J a ti-r+?7H$Vp
　　codepage=866 俄文"eZ%}6l8}1E$t)\&I

egt7}&~2y 　　codepage=65001 unicode UFT-8
hiU3\A FK"A 8E:DQV)J
Lyq7t
　　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。
u(S,GsJ7M 0iH1c,U6?
@5F
　　从936中随意取一行，例如：c9`q}Ou6y ~
+l$W/\5vv6VW(zk
　　0x9993 0x6ABD #CJK UNIFIED IDEOGRAPHl&v*a"tzo
%hVd7Z[ C
　　前面的编码是GBK的编码，后面的是Unicode。通过查这张表，就能简单的实现GBK和Unicode之间的转换。
"P6t+XSg~1r 2h8Q;Z7K {"h#_
　　现在明白了Unicode，那么UTF-8又是什么呢?又为什么会出现UTF-8呢?
;R)C V&v
Z1yP)z"~&?
drOWt_O"M 　　ASCII转换成UCS-2，只是在编码前插入一个0x0。用这些编码，会包括一些控制符，比如 或 /，这在UNIX和一些C函数中，将会产生严重错误。因此可以肯定，UCS-2不适合作为Unicode的外部编码。因此，才诞生了UTF-8。那么 UTF-8是如何编码的?又是如何解决UCS-2的问题呢?G^"d$D\u.u2y*Wr#O

!Mq:HN^*Z#b-Mv 　　例：a+i4l
Ww8V*~5u
#Y;B H:nH(A
　　E4 BD A0　　　　　　　　11100100 10111101 10100000
d[6La9p!G W D4@MR3oPh
　　这是“你”字的UTF-8编码7|[n _&|&F

,\3g Y(R*N*\8wHN+{!Bm 　　4F 60　　　　　　　　　　01001111 01100000}U+pjJ'W/zK
r.I&gT-j*@I
　　这是“你”的Unicode编码
'ocH!Gu:r
]-ve!iKm1n y 　　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。B$XcP1?"e)vH

,Tuo+J(h 　　以下是Unicode和UTF-8之间的转换关系表：
d^&m[m8P )\
q2Z3Y U
　　U-00000000 - U-0000007F: 0xxxxxxx
Kmb{yD 'i{cd|
　　U-00000080 - U-000007FF: 110xxxxx 10xxxxxx
bXT|2`g*jb ]K Ap+[!dbv9r
　　U-00000800 - U-0000FFFF: 1110xxxx 10xxxxxx 10xxxxxx*H1B` uA;{B
[JV;J&e
　　U-00010000 - U-001FFFFF: 11110xxx 10xxxxxx 10xxxxxx 10xxxxxxKQoWI9_`$kzv
DD P%Lc
　　U-00200000 - U-03FFFFFF: 111110xx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx | k)y}@,l%h
LE$DgX aSS
　　U-04000000 - U-7FFFFFFF: 1111110x 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxxD5J}2k1i%Ar
Vh/GH hd
　　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