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：
+ n$ ]8 w, T: n1 Q
　　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。5 Z* g5 L" A# N
9 X/ H. ^0 t  j* Z7 S
　　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 m) q' p0 c3 ]- i' N; E5 j
# E' V' |, U8 ~' [" {
　　2、台湾，香港等地使用的是BIG5编码
% `' G2 x; ]8 W
　　3、日本：SJIS编码. g  X8 ^9 a$ G: S4 ~- `' ?" x

　　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。# a6 W+ Q7 V, m1 \+ v" p: C* I
% I5 l' Z" s/ A/ o( g
　　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。+ R0 n) r* \7 c- Q9 ?- }. z
% u7 X" F$ ~# T' E5 x
　　Unicode的学名是"Universal Multiple-Octet Coded Character Set"，简称为UCS。

　　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$ `# _( ]- M+ N; F/ `, r& g
4 `, j) I9 z; G5 h  j
　　20000-20FFF - 21000-21FFF - 22000-22FFF - 23000-23FFF - 24000-24FFF - 25000-25FFF - 　　26000-26FFF - 27000-27FFF - 28000-28FFF - 29000-29FFF - 2A000-2AFFF - 2F000-2FFFF" z9 ]' {- x" {: b3 q$ _1 `

　　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。- ?+ z9 m# B: V/ J$ y$ ]8 D
. E+ z( ]3 y* b$ G7 T) \
　　什么是codepage?codepage就是各国的文字编码和Unicode之间的映射表。

　　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。
  Z# D- g' o9 _* O! D
　　codepage=936 简体中文GBK

　　codepage=950 繁体中文BIG5
+ c& i+ L4 v$ D) p2 f4 h/ h
　　codepage=437 美国/加拿大英语
& Y) G) N% e: ]" b" y0 j
　　codepage=932 日文
# H- Z7 q) w$ Z
　　codepage=949 韩文
& V4 A2 q" v+ G4 S
　　codepage=866 俄文
1 K, t  Q' Q) ]4 S" w8 ]
　　codepage=65001 unicode UFT-80 H) ]3 g7 L+ R; I5 c
3 h% E2 G: c% L4 u: M7 l) N
　　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。6 K3 w  n2 ?/ u" P# A2 u

　　从936中随意取一行，例如：" B5 M8 u8 p2 N) ]
0 u7 y- I3 C; n. a/ p3 d
　　0x9993 0x6ABD #CJK UNIFIED IDEOGRAPH
- p3 r3 N, `2 m& G2 y6 O
　　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。
; i$ H9 J( U! [+ j
　　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?
+ [/ W' _3 u, E' m9 m) ]2 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?

　　例：# {* i7 P  P0 B- ], \

　　E4 BD A0　　　　　　　　11100100 10111101 10100000

　　这是“你”字的UTF-8编码

　　4F 60　　　　　　　　　　01001111 01100000
9 ^9 c$ l4 s- u8 a( a
　　这是“你”的Unicode编码7 A+ Y7 B8 m, f( ^; C+ Z5 |5 A( \) N
. S0 b6 e& b0 X: s( J/ r, u
　　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：' M) q5 X3 l  J# q5 c

　　U-00000000 - U-0000007F: 0xxxxxxx

　　U-00000080 - U-000007FF: 110xxxxx 10xxxxxx
3 k; n+ ?- V( G5 w) x# I
　　U-00000800 - U-0000FFFF: 1110xxxx 10xxxxxx 10xxxxxx2 V7 Q& @1 e2 W$ m: c( y

　　U-00010000 - U-001FFFFF: 11110xxx 10xxxxxx 10xxxxxx 10xxxxxx7 {3 ~: r, |8 ?* ?( H" f
+ y9 T( o8 L, A/ d4 D- m& g- F5 K# x4 e
　　U-00200000 - U-03FFFFFF: 111110xx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx" t  g4 ~! N2 o- X6 U# v
% C) q* N) I1 D) M+ T3 _
　　U-04000000 - U-7FFFFFFF: 1111110x 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx& l8 C5 R0 f4 w8 @3 c* {% t( q" \
; _% }: w  z6 W+ B: ^0 N* g
　　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]