HTML语言:什么是Unicode 什么是UTF-8 Unicode, UTF-8, HTML

admin

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：
* F. }9 Q* W! n- w( [/ |# Y( b+ Z3 R+ s. {" ]4 i$ z; ]) C
　　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。
6 I9 s: m# U; Q7 U+ i, Y9 ^+ R& E) w
　　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。# ]4 b7 b8 s( N3 H
6 h9 z( _3 v- ^
　　2、台湾，香港等地使用的是BIG5编码/ M) @! X% {. v3 e1 B
! x9 @7 |) f  C3 |
　　3、日本：SJIS编码  g# g" g0 g. @% N  t+ d

0 j4 m' N% F* Q$ i) i0 j　　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。- L8 i4 W$ r/ T" D

- u* F  n7 S8 \  M) l　　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, D" N. t: \# }1 ]

  E1 }  ^( j. F! J% S  [0 g! C( C　　Unicode的学名是"Universal Multiple-Octet Coded Character Set"，简称为UCS。( g/ G* J/ t. S. p' S1 a
- U% \5 P! e4 f: J6 W0 c( O: o9 w
　　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5 Q# v) t, P: z: C
! w- C4 \0 w+ U$ S; Q" B) z
　　20000-20FFF - 21000-21FFF - 22000-22FFF - 23000-23FFF - 24000-24FFF - 25000-25FFF - 　　26000-26FFF - 27000-27FFF - 28000-28FFF - 29000-29FFF - 2A000-2AFFF - 2F000-2FFFF5 u) g6 Y3 ?: o1 a6 N* q1 I2 u1 E5 d2 B

  H- s" k: }( Q; b& f! n! J　　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。
9 g, U) @  ?/ O/ V1 D. D3 k
6 y' ~4 ~3 P) `, s) C; |　　什么是codepage?codepage就是各国的文字编码和Unicode之间的映射表。, m4 o: p2 M2 x/ i) e+ u3 d
7 i6 F; }+ o8 r& c4 W
　　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。* ]8 N6 P% r: K% h! r

+ g. U4 {( B$ m　　codepage=936 简体中文GBK4 Z: i, c. t, ]3 L  Q! b, z3 H
$ |& l0 P+ \. A& _
　　codepage=950 繁体中文BIG5- ]' ~( U' X; A) ^: z

9 G+ `+ S, s& I2 o4 U7 H7 i: C& e　　codepage=437 美国/加拿大英语
9 a8 b* T# }, {- q. r; W8 Q$ v& h: |6 @
　　codepage=932 日文4 K! q* o/ s. H. V% b$ r) [1 O6 v

; a# v- Y* s% I8 M2 W' K　　codepage=949 韩文
( ?9 B$ H" Y; `  p4 `. C% x+ R9 a8 C: B4 K# n& t: K
　　codepage=866 俄文
  s& [2 i( ^( c* J% e: m2 {( _
* ~5 E% J6 K) p, c& r2 v) d# ]  u　　codepage=65001 unicode UFT-8
. ]6 K. m8 h% }' {! x2 @" d" K5 `" m! x+ j% [8 V8 R* z% 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。
+ S$ F! p* h! _! y* H/ ^
# g  a. E7 H2 c0 U　　从936中随意取一行，例如：% `5 Y7 }" z$ H; R, A

6 Y' Z# |$ D0 A　　0x9993 0x6ABD #CJK UNIFIED IDEOGRAPH
) b0 h8 g4 U! p! O- ]: O9 y. _
9 Y7 e: V+ k+ ]3 Z, 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。
' O, c. O/ I1 P, P% i7 m4 v1 V. 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?. k$ W% j) p( F! n' q1 d$ P

6 f2 V5 A' p( p! }! l+ R4 S  t　　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?
; a* i- o) Q! _# j9 m% f8 K- g3 h6 E# b! h2 C
　　例：  u5 U7 s& y9 P& U% L. a

5 }8 F" m* ]2 {+ x' i　　E4 BD A0　　　　　　　　11100100 10111101 10100000" ~! k+ s7 v$ ~1 x9 Y9 F
8 ?$ Z  v3 D; C, ^: e
　　这是“你”字的UTF-8编码
' V& ~, `- j4 E+ \0 d/ l4 N6 b. ^0 T3 }! l6 ?' O
　　4F 60　　　　　　　　　　01001111 01100000
; a  O: P0 E5 x; E- N! R' {5 E( p! |) s2 p- H5 l2 K2 H
　　这是“你”的Unicode编码# h$ t$ |( S6 u2 _

/ Z. P4 Z7 s& Z* K) V7 _　　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 x8 [) c7 M7 H9 v' g/ V0 e+ O

% b! l2 G2 S7 Q, K' ~& b0 x# o5 f　　以下是Unicode和UTF-8之间的转换关系表：6 P* \: B1 }* Q+ g/ E2 a! y; E

! L5 ?0 I. ?5 J　　U-00000000 - U-0000007F: 0xxxxxxx
" k% l- l9 w! N  E( l) \8 q# z1 q- ?; J4 c/ `: h) w( }, |
　　U-00000080 - U-000007FF: 110xxxxx 10xxxxxx
  d2 R+ z& \' X& k" }! x" z" q+ i1 r9 g- M, S$ P8 x$ O* q
　　U-00000800 - U-0000FFFF: 1110xxxx 10xxxxxx 10xxxxxx
" J2 c2 p8 H# m  A. Z. z6 r* {3 P7 x# l, V, b6 n8 _
　　U-00010000 - U-001FFFFF: 11110xxx 10xxxxxx 10xxxxxx 10xxxxxx2 [8 N8 N/ T1 H$ V4 v  q  o- C

/ C7 p0 L, U( W. M$ }　　U-00200000 - U-03FFFFFF: 111110xx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx
! u# K5 v8 n% \) F
& ]& ?# E0 H1 @　　U-04000000 - U-7FFFFFFF: 1111110x 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx
3 I& E. N  Y- \+ P( i# o# r4 E% N1 u9 P- `  R, q4 m, N5 i' 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。