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：
1 s* f( ?; X2 e: B* w4 p1 ^8 f
　　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。1 |; a2 n9 S& }9 G, @
- R: B) v% z3 y/ ?" ^5 S0 m" |
　　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。! D6 S' f2 g) @5 G7 r. H, k8 w

　　2、台湾，香港等地使用的是BIG5编码- w/ E/ u6 |8 g- ]) [8 p$ X
$ g( s( J1 U- P7 g  I9 ~
　　3、日本：SJIS编码: A3 P5 x6 n( H' q5 q9 v
8 ?' O# ~/ a/ q" O/ U1 H8 |6 Q
　　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。) b: a. i4 c& U& r6 `
; G. K- H7 e  Q% k1 G+ H& 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。

　　Unicode的学名是"Universal Multiple-Octet Coded Character Set"，简称为UCS。; B8 j5 i- n: }& O; t5 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$ V% i# `$ ?! A/ ?) R5 d8 E6 O" T& i

　　20000-20FFF - 21000-21FFF - 22000-22FFF - 23000-23FFF - 24000-24FFF - 25000-25FFF - 　　26000-26FFF - 27000-27FFF - 28000-28FFF - 29000-29FFF - 2A000-2AFFF - 2F000-2FFFF

　　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。4 k0 f* a4 e6 S& [' v# x/ T

　　什么是codepage?codepage就是各国的文字编码和Unicode之间的映射表。
! k  z$ P8 J. y! S- D
　　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。6 {6 x  {! U& P) l; e% j
* d. c1 ~# j( f* r
　　codepage=936 简体中文GBK

　　codepage=950 繁体中文BIG5
& F$ R! F. R( M  x. L6 S% Z
　　codepage=437 美国/加拿大英语3 f& F: H/ h  `  q' X1 X. h0 K

　　codepage=932 日文

　　codepage=949 韩文7 {: I' X, e3 d& M, R5 y

　　codepage=866 俄文
9 H' g/ k4 ~' F% O$ D- u
　　codepage=65001 unicode UFT-8+ _3 _; W7 a- t; k8 ~# O& |( Y
4 ?! ?- G( {! T# [. R& N1 P( i  |1 |
　　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。" t  U, k/ \) b' E! }+ e

　　从936中随意取一行，例如：5 v6 x, \- {. G3 m& Q  L+ K/ |
/ D& b. q# Z1 x
　　0x9993 0x6ABD #CJK UNIFIED IDEOGRAPH

　　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。+ W0 m+ G% b. y/ O1 X8 D3 V

　　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?
+ Y8 G% d7 ^7 \1 z
　　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?
- l; a( c5 G7 ]3 X1 X& ?# e2 g' n
　　例：
4 t/ j: B* ]) g* W4 J, c& B
　　E4 BD A0　　　　　　　　11100100 10111101 10100000

　　这是“你”字的UTF-8编码! U0 q0 T# K; B& \3 T* x9 b( w0 l; {
) j3 Q( n0 |* O6 \, E
　　4F 60　　　　　　　　　　01001111 01100000

　　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。

　　以下是Unicode和UTF-8之间的转换关系表：, M" h  t5 ?2 i/ Q

　　U-00000000 - U-0000007F: 0xxxxxxx
5 i$ I- F! H  u5 V
　　U-00000080 - U-000007FF: 110xxxxx 10xxxxxx7 N5 y- L. h' v$ n
# D! F  g' Q- p0 Y
　　U-00000800 - U-0000FFFF: 1110xxxx 10xxxxxx 10xxxxxx4 s$ {; o- Q6 ]' p7 }
7 b! r0 ]) o4 {+ `  y; Q
　　U-00010000 - U-001FFFFF: 11110xxx 10xxxxxx 10xxxxxx 10xxxxxx
5 o, H/ x. l+ U- g, l
　　U-00200000 - U-03FFFFFF: 111110xx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx8 C8 S$ C8 G/ V- E' \6 y
& E/ \. v' r6 Z  _
　　U-04000000 - U-7FFFFFFF: 1111110x 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx3 Q8 D1 G7 e, c6 b

　　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]