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：" ~% X# T. q: j+ h, Z" @
/ L) }6 ?+ G! x" w; Z9 v
　　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。
2 ?( i- _( f0 ]2 H) A, O  X! c
　　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。
$ P5 q- f1 ~. U/ Y" E
　　2、台湾，香港等地使用的是BIG5编码
( T3 F6 z  _$ I3 [% {# \. ?6 L+ B9 j
　　3、日本：SJIS编码2 s% q, ^% q3 q! w
; T' I( V1 F; J* C) H6 T
　　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。0 j/ X8 B. j) g% F

　　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。
5 S; n3 Q2 g& D9 m4 \6 F# ^
　　Unicode的学名是"Universal Multiple-Octet Coded Character Set"，简称为UCS。$ o; c& |# Z5 A4 C4 i9 s, V

　　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$ A6 W5 f( \* k$ Y, Y
1 o; S1 d1 x$ k, z  m% G; K2 a
　　20000-20FFF - 21000-21FFF - 22000-22FFF - 23000-23FFF - 24000-24FFF - 25000-25FFF - 　　26000-26FFF - 27000-27FFF - 28000-28FFF - 29000-29FFF - 2A000-2AFFF - 2F000-2FFFF) U" v2 y$ n) C$ D8 l
" \3 ^  w' x$ U+ t$ G1 h
　　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。

　　什么是codepage?codepage就是各国的文字编码和Unicode之间的映射表。" {6 b. R8 y9 ~: c

　　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。$ t' }8 q+ A9 b) F  T4 a
4 Z( j! S: e" n1 e$ W7 g8 A6 i
　　codepage=936 简体中文GBK: J; a/ m9 c& i6 {  Z6 t& z6 G/ G
3 ]% }8 X- t1 _) u1 d- V0 z9 Z
　　codepage=950 繁体中文BIG5
6 i& r: y  O" k: m: D
　　codepage=437 美国/加拿大英语1 X3 Y1 K+ ^; C9 n5 }. e. M0 Q6 ?

　　codepage=932 日文- ?' Q6 v! w# S

　　codepage=949 韩文

　　codepage=866 俄文
8 M0 f- Q# Z) F! y. V9 K9 x- \/ _
　　codepage=65001 unicode UFT-8: \2 [  _% g4 H2 l

　　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。: V7 z/ {; L7 S6 K. h* S# }0 q  D

　　从936中随意取一行，例如：: K+ u4 h) J1 }- H  S  V

　　0x9993 0x6ABD #CJK UNIFIED IDEOGRAPH! p  O: T! z' Z* T/ e6 z
+ k& q  U& j& o+ o: M( j) z3 k
　　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。- F3 g2 f* e6 B4 n
' [$ C9 @7 P& i5 f) t
　　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?5 ^3 y$ p* `1 y
# ?3 ^  a" c, e; z" r
　　例：+ K+ q3 [  @+ j  d3 {4 ^3 h8 D2 ?
( B! B! p+ \" v6 j( \3 P2 v) ?2 U& m
　　E4 BD A0　　　　　　　　11100100 10111101 10100000% Q  T5 t& ^% a# k& u
: }( U% H* v# d5 I& L" H+ _
　　这是“你”字的UTF-8编码
0 g( s' F( |- ], i
　　4F 60　　　　　　　　　　01001111 011000005 x  e) _' M+ K  _' B

　　这是“你”的Unicode编码/ e+ Z7 N$ |1 u! e$ X7 {
4 b/ q; i+ Q/ T0 m
　　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：# v2 E7 n! e/ t; J8 I8 y

　　U-00000000 - U-0000007F: 0xxxxxxx
2 z5 }7 O$ ?" U- @& W
　　U-00000080 - U-000007FF: 110xxxxx 10xxxxxx+ R  t+ W) h8 a( Z+ Z& g

　　U-00000800 - U-0000FFFF: 1110xxxx 10xxxxxx 10xxxxxx

　　U-00010000 - U-001FFFFF: 11110xxx 10xxxxxx 10xxxxxx 10xxxxxx; I5 w! w+ u7 B# ^, m9 D" y+ P
/ t1 F% a+ ?: t; Q0 Y$ R2 R6 X- n( _
　　U-00200000 - U-03FFFFFF: 111110xx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx
, D( W  O7 F' y: {, U; j
　　U-04000000 - U-7FFFFFFF: 1111110x 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx6 ^0 X3 T2 P* W
# K6 s; u  _6 h) ~) X/ h, 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]