HTML语言:什么是Unicode 什么是UTF-8

Unicode, UTF-8, HTML

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：

　　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。
/ c$ }. C& t$ t) Y: o5 D) r
　　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。( t+ h; Q0 @- @" q1 h
& V% @9 V5 x' t/ k. S# x2 Y
　　2、台湾，香港等地使用的是BIG5编码! @4 ?% f2 W; I' S. O

　　3、日本：SJIS编码

　　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。

　　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。! F, o9 q9 W: x/ q  b. F
4 J$ G  ~$ j: a5 C! J3 ^( l# U$ h
　　Unicode的学名是"Universal Multiple-Octet Coded Character Set"，简称为UCS。" W( d$ M/ j, Z4 X, D

　　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 - 2F000-2FFFF3 r) d5 r! d- d" J( t$ T. t
. p" [2 u% b5 \) R8 K/ `9 x# w
　　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。% M( i  B: K/ c' U; w
& r2 r. b8 f. B; M, W. `0 M9 c1 t: X8 S
　　什么是codepage?codepage就是各国的文字编码和Unicode之间的映射表。: y/ T  D  H+ F2 G; c) y
" X2 ~% [. V' C. s5 u: Q, t
　　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。( u) O, {- b6 P1 {8 i* l

　　codepage=936 简体中文GBK
( V3 _' M' n2 P$ q3 V" I2 Z
　　codepage=950 繁体中文BIG5* \5 \+ T. c  O! w: u7 B
; q$ x* g; m& E4 `
　　codepage=437 美国/加拿大英语

　　codepage=932 日文
7 A1 v' ]7 l8 O+ B6 w; V. X
　　codepage=949 韩文

　　codepage=866 俄文2 L* Z% F; b8 G" @( m/ z
3 i! S- `1 L) D7 I; A! U' q
　　codepage=65001 unicode UFT-8

　　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。- n. Z9 |+ p6 n& p
0 j2 I( s: M- g4 U* o! ^9 d
　　从936中随意取一行，例如：# z, S' m4 P5 b. y6 G$ p) I

　　0x9993 0x6ABD #CJK UNIFIED IDEOGRAPH

　　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。' h" ?7 h2 u/ m/ e  E3 T5 i8 W
/ a% f9 Z( U; F
　　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?$ Q  N6 I# \; n& a" i0 }* E6 ^

　　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?# t  K( q2 y/ `0 J1 N
5 A6 v: A' j( a8 I/ u
　　例：

　　E4 BD A0　　　　　　　　11100100 10111101 10100000
! F, j& Z  K  T, _& K+ j* i
　　这是“你”字的UTF-8编码2 H( r$ J7 n# @( ], Z6 ~
! [, f, @: ~% n% i
　　4F 60　　　　　　　　　　01001111 01100000' z" V) L- i2 L; }. }, T2 F

　　这是“你”的Unicode编码( c- r0 {6 v8 g
# {8 M) ?, i3 J$ n! _4 ?
　　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。

　　以下是Unicode和UTF-8之间的转换关系表：8 A( S" Q% [! W2 n  s
" Y" i( T5 T3 x6 z' {+ o$ W7 j7 b
　　U-00000000 - U-0000007F: 0xxxxxxx/ j5 `* o$ i; F5 x2 o8 I5 ]2 f% B
( x! R) S- j2 b) ^+ k4 _
　　U-00000080 - U-000007FF: 110xxxxx 10xxxxxx
. [/ R$ w& Q# s8 J
　　U-00000800 - U-0000FFFF: 1110xxxx 10xxxxxx 10xxxxxx

　　U-00010000 - U-001FFFFF: 11110xxx 10xxxxxx 10xxxxxx 10xxxxxx

　　U-00200000 - U-03FFFFFF: 111110xx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx5 N9 Z- Z: u6 f% J5 C7 ], F
9 {$ o2 u! U! [& M& ~: j: F) {4 f
　　U-04000000 - U-7FFFFFFF: 1111110x 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx/ n$ E0 f6 O  |" M2 [! L+ u
3 ]$ {: Q8 E2 B3 b" K
　　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。

捌玖网络 89w.org----致力于站长学习交流

返回列表

HTML语言:什么是Unicode 什么是UTF-8

[收藏此主题] [关注此主题的新回复]

[通过 QQ、MSN 分享给朋友]