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 e1 Z8 o' w: o$ V  k9 A+ W

　　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。$ j# V5 M3 `, D8 }0 u

　　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。0 n# @( v3 R$ k
$ B1 t# f5 {0 ]. _- m4 `5 h" d9 L
　　2、台湾，香港等地使用的是BIG5编码- x. ^( r" {' y. Q
* g" K& S$ |4 ]/ _6 ?' I4 e
　　3、日本：SJIS编码. H0 V0 O3 {& c
2 C; e* {, h9 ~" @7 ?# u7 ]
　　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。( U6 P, ]. j! u+ f) `

　　Unicode的学名是"Universal Multiple-Octet Coded Character Set"，简称为UCS。
" D* D; U2 t/ S2 ?, Z6 c; 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
3 R9 R- w$ f( e
　　20000-20FFF - 21000-21FFF - 22000-22FFF - 23000-23FFF - 24000-24FFF - 25000-25FFF - 　　26000-26FFF - 27000-27FFF - 28000-28FFF - 29000-29FFF - 2A000-2AFFF - 2F000-2FFFF

　　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。
1 ~! ~" H) M1 V
　　什么是codepage?codepage就是各国的文字编码和Unicode之间的映射表。
! U- \) u7 m8 ^/ v5 _3 b
　　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。
! C$ G7 Q( O9 m0 d
　　codepage=936 简体中文GBK) h5 y/ s: y  a( k7 y
( Y. t" V( q* l+ C
　　codepage=950 繁体中文BIG53 \" V4 G$ `3 q) _) w7 J

　　codepage=437 美国/加拿大英语
( Q8 i% u- z+ U5 R8 p
　　codepage=932 日文  S( g, t1 F  E4 {+ S# z
; S0 |* d: a4 v7 e3 T1 z$ @% c/ n
　　codepage=949 韩文
# O2 f/ @( [/ J2 y  }  R3 C
　　codepage=866 俄文
. t+ e2 W6 n$ H* U# I; Y
　　codepage=65001 unicode UFT-8
' ~; j% A) ?: X1 c5 Q# 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。9 A2 J+ q& @8 a) ~: Z. h8 m- U# r

　　从936中随意取一行，例如：& @4 X5 M% }* q
; Q0 z0 E+ w4 C; g( ]
　　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。
* t5 f2 p) N' ?! L( u& }) n
　　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?

　　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?
4 _( T$ Z1 @) [* d3 l
　　例：. x" ^& R" F. J% Q
* q7 o/ q8 W0 J, g- i9 a
　　E4 BD A0　　　　　　　　11100100 10111101 10100000( y6 w" m' I2 S" ^2 o# R0 u

　　这是“你”字的UTF-8编码2 H; s- {2 B2 @6 P6 _+ \

　　4F 60　　　　　　　　　　01001111 01100000
, Y* e  n  T7 N) m) t1 |# Z% k
　　这是“你”的Unicode编码- u3 h' o# c% w0 o0 l  h$ M
2 J- W* n7 j9 q
　　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。  m8 [/ ~# c3 ^

　　以下是Unicode和UTF-8之间的转换关系表：
' q$ X- t+ N: d4 {  ]9 [
　　U-00000000 - U-0000007F: 0xxxxxxx  m; X# G: j2 s' G

　　U-00000080 - U-000007FF: 110xxxxx 10xxxxxx

　　U-00000800 - U-0000FFFF: 1110xxxx 10xxxxxx 10xxxxxx& B# g6 N1 C. s+ r6 D1 s+ D( G
9 o8 T8 A; C7 H3 n% ?5 e- L$ b
　　U-00010000 - U-001FFFFF: 11110xxx 10xxxxxx 10xxxxxx 10xxxxxx8 A0 I- H5 G4 o; b1 H0 H

　　U-00200000 - U-03FFFFFF: 111110xx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx+ i6 M6 G$ i3 v# a6 w: q7 ~
7 F. z5 C7 r- ]( y: A# S: s$ o
　　U-04000000 - U-7FFFFFFF: 1111110x 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx: K3 e9 E9 C# l4 @$ K
4 o* `) x, I, {0 I- l
　　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]