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：
  m7 A7 c+ p: {+ X
　　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。

　　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。7 H% B" \: i% _& ^7 U2 h

　　2、台湾，香港等地使用的是BIG5编码8 l6 G% _0 ]1 P+ [' l4 D) a

　　3、日本：SJIS编码3 o, G2 D0 N" C2 j6 `

　　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。& ~) z" M8 U- z" G& G9 J
. w3 }3 W8 a+ G* [+ s, g, c
　　Unicode的学名是"Universal Multiple-Octet Coded Character Set"，简称为UCS。+ k1 k8 m3 d. a# g7 y$ N7 y# T

　　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( ^2 C7 b; l7 e5 a" N& A/ ~

　　20000-20FFF - 21000-21FFF - 22000-22FFF - 23000-23FFF - 24000-24FFF - 25000-25FFF - 　　26000-26FFF - 27000-27FFF - 28000-28FFF - 29000-29FFF - 2A000-2AFFF - 2F000-2FFFF7 p: W) J, ]- t

　　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。  w6 g: f! u& v
# k- ?7 a% k  T% i7 O: g5 p+ c7 g( G
　　什么是codepage?codepage就是各国的文字编码和Unicode之间的映射表。
( f; `+ C) s5 u0 b* o& n0 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。
  J* F' ~2 T9 f9 }4 Q
　　codepage=936 简体中文GBK% T5 ~4 }& Y+ j1 `
* R4 C% e: U( M, {) J, w
　　codepage=950 繁体中文BIG5' E# x9 B# O. A$ w( t

　　codepage=437 美国/加拿大英语
2 o# @2 h) h8 k9 S1 W
　　codepage=932 日文. V8 {. O! W; X8 U
$ B9 G$ u5 |' M& p$ D( N1 `( ^
　　codepage=949 韩文

　　codepage=866 俄文% }% R6 q7 L$ `5 I6 ~

　　codepage=65001 unicode UFT-87 _. b) b6 p' C
" x" g5 X$ g, f* i0 Z& ~! {
　　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。) G6 \, v) R" _% m' f5 D5 h( U
2 _+ }6 {0 o) v) N. S& ~
　　从936中随意取一行，例如：
7 h+ A* d% T) |2 b
　　0x9993 0x6ABD #CJK UNIFIED IDEOGRAPH: Y# M( n; h' H2 _
+ ]1 a+ T5 T! L1 n$ @
　　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。& f) L' ?/ `( S; U8 _" R( x
: U: I) ^, e5 U4 k$ l1 S1 I' r7 |
　　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?( g. U3 s# g$ G# _1 I

　　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?, _) F! ?3 R3 X3 |

　　例：

　　E4 BD A0　　　　　　　　11100100 10111101 10100000
0 w6 H8 T+ [9 V- o( j
　　这是“你”字的UTF-8编码3 P) @% M4 |3 I% u
$ H5 @+ C+ i0 o3 A* t; a! `7 @# ~
　　4F 60　　　　　　　　　　01001111 01100000

　　这是“你”的Unicode编码& l4 m7 R4 S% P' X

　　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。1 Q. w* H/ H$ v2 b1 W
* }) }7 F  q- p
　　以下是Unicode和UTF-8之间的转换关系表：
; p+ j( c/ _& D9 E
　　U-00000000 - U-0000007F: 0xxxxxxx! G/ U# E: j) Z' ~

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

　　U-00000800 - U-0000FFFF: 1110xxxx 10xxxxxx 10xxxxxx# f! t7 h% i1 o- H+ V
7 b- s3 Z( b1 X. ]$ u$ p
　　U-00010000 - U-001FFFFF: 11110xxx 10xxxxxx 10xxxxxx 10xxxxxx
, U' {5 \/ i# n' M4 _* }! E
　　U-00200000 - U-03FFFFFF: 111110xx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx$ T7 c# Z5 X  F, k8 a
2 C: n- A; H& m
　　U-04000000 - U-7FFFFFFF: 1111110x 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx
) I* V8 f0 M( D+ h4 I- J
　　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]