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：
( |% I$ I9 f/ O; U" q$ U
　　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。. Z7 \" R* e& B* k( k& N
7 e: Z- V$ a1 l8 ]
　　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。
0 P  F& Y5 p5 q, \' u
　　2、台湾，香港等地使用的是BIG5编码

　　3、日本：SJIS编码- j; f" X2 Q3 J% x; F8 m( w8 A1 p
$ k% w  H3 u# H9 G0 A% t' {3 _# M' j5 N
　　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。4 [2 h0 e# h) _# Z

　　Unicode的学名是"Universal Multiple-Octet Coded Character Set"，简称为UCS。
" P( ~! T& E5 O! l3 i
　　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$ G3 G& |& Z% G! w5 _' a2 s9 h
0 H- l# K3 n5 B- Z
　　20000-20FFF - 21000-21FFF - 22000-22FFF - 23000-23FFF - 24000-24FFF - 25000-25FFF - 　　26000-26FFF - 27000-27FFF - 28000-28FFF - 29000-29FFF - 2A000-2AFFF - 2F000-2FFFF3 r- H4 I5 I. `9 Y' S" B

　　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 P; z3 o' f9 E5 h
　　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。9 h- `0 ?! i) P
4 i  w/ N5 w8 ^' f, k! _) I2 D
　　codepage=936 简体中文GBK

　　codepage=950 繁体中文BIG5
6 U2 F: A! z) Z/ \, v& _) }
　　codepage=437 美国/加拿大英语

　　codepage=932 日文7 \# X* p# s* x% x
7 W+ u, v7 u  Z. g# Z1 y; b  O
　　codepage=949 韩文% N1 U* q8 k6 D# y* \+ Z! W
" U( g$ A7 J% N, ~4 Q
　　codepage=866 俄文. b4 J; g+ z5 s( D

　　codepage=65001 unicode UFT-8
3 a* c6 F! y; T9 z+ o
　　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。

　　从936中随意取一行，例如：

　　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。

　　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?2 y9 q! k; C( E: w+ W9 n) s& @$ M

　　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?- L7 d! w4 ?% |" I9 ^1 F5 z

　　例：
% Y3 d% A* Z8 E
　　E4 BD A0　　　　　　　　11100100 10111101 10100000' |% h: p2 c- C  N
7 ?% F- `. }8 t6 T/ U, C
　　这是“你”字的UTF-8编码% {6 R9 ?2 o9 W5 [: D, M
) F% d5 A9 ^' ]) X+ X$ v' t, o+ @
　　4F 60　　　　　　　　　　01001111 01100000$ A! b  {" T. c$ B# g3 T
+ l8 b, v" |  r7 n" ?
　　这是“你”的Unicode编码1 T9 W: b! S# C* Z9 Y' W9 B

　　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：

　　U-00000000 - U-0000007F: 0xxxxxxx3 D# Y* n5 _, {/ X5 o9 n

　　U-00000080 - U-000007FF: 110xxxxx 10xxxxxx
! d% V: ?5 }) i* E" F, s0 r) B8 \
　　U-00000800 - U-0000FFFF: 1110xxxx 10xxxxxx 10xxxxxx# `  }" i6 g; C  M& t! p) P

　　U-00010000 - U-001FFFFF: 11110xxx 10xxxxxx 10xxxxxx 10xxxxxx& \# l" f# l  K% h( N

　　U-00200000 - U-03FFFFFF: 111110xx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx' |  x8 y) Z) e. `- a+ Y
- |, V5 i  b7 n9 n& C0 d3 X3 E. p
　　U-04000000 - U-7FFFFFFF: 1111110x 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx
! D& g6 O) O2 }) Z; G. G7 [
　　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]