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：
- {' E$ C9 C) d- o  _
　　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。0 M" T# I# r5 V  u- b
9 O7 p) z0 U: q- e+ J
　　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。' D1 E$ {- M% s3 `% b3 T4 w8 ~$ I

　　2、台湾，香港等地使用的是BIG5编码/ |/ {3 H! J. m  ], B5 ?! H
* @" g" {& s3 [/ [4 [% p! o3 |
　　3、日本：SJIS编码8 r0 [+ |0 j" l

　　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。
! W$ P- D9 W! b
　　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 w2 {# r6 i9 g% `/ B+ H- w6 q; n  ?
: G1 P! h+ Z4 i; R* t1 |, ]
　　Unicode的学名是"Universal Multiple-Octet Coded Character Set"，简称为UCS。
! |, d  \  Q' @
　　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
' ~- @) e; z4 E" t0 q" d, b( ?
　　20000-20FFF - 21000-21FFF - 22000-22FFF - 23000-23FFF - 24000-24FFF - 25000-25FFF - 　　26000-26FFF - 27000-27FFF - 28000-28FFF - 29000-29FFF - 2A000-2AFFF - 2F000-2FFFF
) n# C" B5 H- p% A9 Y. I2 l# N
　　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。% k6 @0 f  _4 g0 v' n( r+ V

　　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。
# }% R9 u5 M  n8 s
　　codepage=936 简体中文GBK+ g7 `3 }2 T( V3 ?! K
" V3 F! o% q  N, z! k' v
　　codepage=950 繁体中文BIG5  _! [( J, _2 k
4 u$ |! A( D$ q8 r7 M7 `3 |
　　codepage=437 美国/加拿大英语

　　codepage=932 日文

　　codepage=949 韩文
/ X$ {, p5 t0 z/ _6 {& \7 f
　　codepage=866 俄文

　　codepage=65001 unicode UFT-8
# ~: {, H! f, m9 l* k; B; _
　　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。
" d9 ~/ `2 h  F7 N
　　从936中随意取一行，例如：+ T5 I5 j7 g' v- F  i
/ ~6 \/ e9 F& R& R, v& j; X
　　0x9993 0x6ABD #CJK UNIFIED IDEOGRAPH$ l8 @0 X8 }/ K5 `
: J- Y  p1 \( z
　　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。

　　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?9 H: x; \2 p- V' ]" l5 Z
( ~+ r. \0 C  Y5 r# w7 \2 @
　　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?
2 K8 k" C! Z, f5 m% F6 }  j
　　例：7 u2 A* A% X! b+ F9 M( }
# |) M' y& Z' p+ }3 i$ k! v9 B
　　E4 BD A0　　　　　　　　11100100 10111101 10100000

　　这是“你”字的UTF-8编码
# u9 x" ^" M3 ], T
　　4F 60　　　　　　　　　　01001111 01100000; i% \1 h+ z9 B$ r+ [

　　这是“你”的Unicode编码2 S! ]  m6 ^! P

　　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。9 \6 ^* f. }8 x* T1 ^0 _+ ?

　　以下是Unicode和UTF-8之间的转换关系表：

　　U-00000000 - U-0000007F: 0xxxxxxx

　　U-00000080 - U-000007FF: 110xxxxx 10xxxxxx

　　U-00000800 - U-0000FFFF: 1110xxxx 10xxxxxx 10xxxxxx1 ^; V9 b# J1 I3 D6 N6 ]; Z
, I% n9 k" ^0 \
　　U-00010000 - U-001FFFFF: 11110xxx 10xxxxxx 10xxxxxx 10xxxxxx- d. C4 U1 ~' _# K) f+ U4 }# Z

　　U-00200000 - U-03FFFFFF: 111110xx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx

　　U-04000000 - U-7FFFFFFF: 1111110x 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx
5 ?7 r8 o8 {) ]" R" B3 W
　　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]