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：  }. |  s9 R% v. w
8 b7 b7 E' @" ?& z
　　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。+ P2 i" D* \7 [4 k$ {1 G
" O9 F$ _) t$ W. Q/ A
　　2、台湾，香港等地使用的是BIG5编码
3 |3 y" Y- F9 ?" [% W! q! H9 A
　　3、日本：SJIS编码
% q  r7 I, F, R5 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。, Z) t0 o( T/ K; E9 D8 i: h

　　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。4 Q9 _. c* B5 t# D7 c) s8 I- s

　　Unicode的学名是"Universal Multiple-Octet Coded Character Set"，简称为UCS。; ]: M# T# h& H  J: 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9 O$ T$ o  S9 N' Y7 m
5 o3 }# u1 \# _
　　20000-20FFF - 21000-21FFF - 22000-22FFF - 23000-23FFF - 24000-24FFF - 25000-25FFF - 　　26000-26FFF - 27000-27FFF - 28000-28FFF - 29000-29FFF - 2A000-2AFFF - 2F000-2FFFF  g- f8 n; p4 k) S
2 T8 H' M4 R+ B2 O, ^
　　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 `: t' i! C; r, N, j8 R$ r
9 q8 o, G. r8 H( W. n# @
　　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。, J9 y% i& c& a/ h* H" O
' e) y. A1 G$ a1 K3 e8 J  Q! {
　　codepage=936 简体中文GBK
( d% u- ]- W* Y9 p$ }; o
　　codepage=950 繁体中文BIG5. t( ?6 z" k/ S- h5 @+ F

　　codepage=437 美国/加拿大英语" I0 C' i# m) I4 g( |

　　codepage=932 日文
# {5 P6 X6 {3 d# Y7 F% l8 X
　　codepage=949 韩文* |; D  g/ n: t& Z9 D

　　codepage=866 俄文

　　codepage=65001 unicode UFT-8, z2 C# j8 @5 M8 r4 s; ^# n2 `

　　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。
0 L$ e8 o8 O- B* N: b' u- }0 k
　　从936中随意取一行，例如：

　　0x9993 0x6ABD #CJK UNIFIED IDEOGRAPH' A. ^5 _# a; ^  r( w9 U

　　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。) q9 c6 ]5 l  W7 i0 B3 _

　　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?' }, m6 C: m) N$ o

　　例：
7 c8 r3 q0 U" t. d' @( T
　　E4 BD A0　　　　　　　　11100100 10111101 10100000" Z2 \1 M) {2 A
8 N8 |" [! y1 I* `
　　这是“你”字的UTF-8编码* ]/ k/ o4 c9 F# Q9 v0 `2 I

　　4F 60　　　　　　　　　　01001111 011000002 J* t+ t3 q# x! c; V9 x
1 r9 F% v/ D( Y1 q, m8 N4 d
　　这是“你”的Unicode编码

　　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。( Z+ T. B* {2 Y5 y7 o+ ^5 G& h4 R

　　以下是Unicode和UTF-8之间的转换关系表：0 Z9 J5 l; F2 Z) n1 t4 g
  D  b% B. l; f+ N) B( N
　　U-00000000 - U-0000007F: 0xxxxxxx

　　U-00000080 - U-000007FF: 110xxxxx 10xxxxxx  ~, g  R$ F: B. p* T" s! o

　　U-00000800 - U-0000FFFF: 1110xxxx 10xxxxxx 10xxxxxx8 ^1 H. J4 v* `

　　U-00010000 - U-001FFFFF: 11110xxx 10xxxxxx 10xxxxxx 10xxxxxx1 O( q5 U- J$ u2 E- I

　　U-00200000 - U-03FFFFFF: 111110xx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx, @8 j* ], ?( V7 `( I$ l2 n
3 L# |2 b5 B7 W2 Q& A+ ?- v
　　U-04000000 - U-7FFFFFFF: 1111110x 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx# v1 Z" K' q/ T# X) x# x; A

　　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]