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：
' c: h0 \( H4 b# ]6 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。2 z* L- c3 Z1 j9 O
+ d/ j+ \4 b5 M) x
　　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。

　　2、台湾，香港等地使用的是BIG5编码% x! N; Z4 [$ G1 p* ?8 {3 p
2 x! p- P! R" L' [% s: g1 h
　　3、日本：SJIS编码1 p' z1 {. G5 A( @: }( J. X1 j
- K% [$ R% d# ^; X  u2 J7 P; z
　　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。

　　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。$ n$ S2 a( P$ h: @' ~8 ~: p

　　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0 p; R0 @# u, X. C0 u

　　20000-20FFF - 21000-21FFF - 22000-22FFF - 23000-23FFF - 24000-24FFF - 25000-25FFF - 　　26000-26FFF - 27000-27FFF - 28000-28FFF - 29000-29FFF - 2A000-2AFFF - 2F000-2FFFF
) |: f- ]: X; Q4 a6 W* s
　　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。: `3 X$ m$ A/ H# G; p' Y" R

　　什么是codepage?codepage就是各国的文字编码和Unicode之间的映射表。- d, E8 v: N& A# i' Z4 i- S8 O
: P0 `" v" g6 r
　　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。8 [  _. J- X0 x+ y  P( C0 o$ R/ @
2 u$ {& K8 a$ a% |
　　codepage=936 简体中文GBK/ x" n# \# k4 n' k

　　codepage=950 繁体中文BIG5: b: i/ r5 @, H( T7 D

　　codepage=437 美国/加拿大英语
( k( h! f( R( N
　　codepage=932 日文
  W( ?  A! I9 _
　　codepage=949 韩文

　　codepage=866 俄文* S8 V' I( w1 [. L7 ?$ |
$ p4 P4 Z! M2 I( R# u6 v
　　codepage=65001 unicode UFT-8

　　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。; y7 g6 {5 D$ B! E( D  \$ P

　　从936中随意取一行，例如：3 |; ]& ]; D4 l9 T4 J9 D

　　0x9993 0x6ABD #CJK UNIFIED IDEOGRAPH' e5 y% m; h  b! k7 z, j
  g; a: Y+ C% C+ X) o" s+ s: b) d
　　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。! l/ y5 p" y* u8 h2 m

　　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?
+ V6 U5 N' ^: F5 D
　　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 y' B  ^) I3 w. ^
, W& b8 [1 R. T6 q# @$ t8 ~
　　例：

　　E4 BD A0　　　　　　　　11100100 10111101 10100000
+ B2 m, [4 ~# C# L0 `7 z
　　这是“你”字的UTF-8编码

　　4F 60　　　　　　　　　　01001111 011000008 V6 B" h* N1 G5 \

　　这是“你”的Unicode编码, e: \+ c8 C* b& V8 s. ]' R7 D
) B4 H; i$ Z$ [& C1 F
　　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。8 }1 `, i; `! X$ J6 @

　　以下是Unicode和UTF-8之间的转换关系表：
! D6 H$ J0 s9 b' {
　　U-00000000 - U-0000007F: 0xxxxxxx0 o4 [6 Y, \/ C# s( J' p
+ o8 m8 ^4 [/ k! D. o1 r! L1 H
　　U-00000080 - U-000007FF: 110xxxxx 10xxxxxx; _+ N# C0 j1 \( S* U2 I3 L& C
5 q6 u3 u' v( M7 V1 g) f
　　U-00000800 - U-0000FFFF: 1110xxxx 10xxxxxx 10xxxxxx7 h% e1 P6 |' i. V
! N7 U8 M3 X) A& h
　　U-00010000 - U-001FFFFF: 11110xxx 10xxxxxx 10xxxxxx 10xxxxxx

　　U-00200000 - U-03FFFFFF: 111110xx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx
+ n1 t, n# ?! ?' ?
　　U-04000000 - U-7FFFFFFF: 1111110x 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx

　　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]