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、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。) R+ p0 a  }6 e9 O: p
8 w7 h+ F  m" ?4 F( }
　　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。$ R/ N" j1 s* W' R# y* H1 @0 c
' |4 e" s* F: _9 u
　　2、台湾，香港等地使用的是BIG5编码4 ~4 q0 A% b! k, d- W/ q. E
1 V8 r  [+ D+ h
　　3、日本：SJIS编码, x' q3 Y  I; ]

　　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。+ p# S, }2 T- s* k7 r% G, f% f, \
9 ^( _/ z& W! B# a4 ^* v& j$ m
　　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。

　　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+ V8 }) H6 i- b; P1 M; Y4 [* m; s+ z, X
" l" v" a% C/ P
　　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。2 p, o% ]4 j) \- J5 O$ q0 V5 l! f

　　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。' m( W6 l7 N" T& j9 ?. z3 r, A
; T' y4 U7 M+ @& V0 i( i# x
　　codepage=936 简体中文GBK' R& ]; f& Z& v5 ]3 o& ^0 I# |

　　codepage=950 繁体中文BIG5. ^) {7 M9 u2 \7 @1 v

　　codepage=437 美国/加拿大英语3 c+ H  p4 ]! |4 [" }8 J. M# l! r
1 l) P/ L4 k" e( A, H: Z2 E
　　codepage=932 日文
! t  X: X+ `' y5 D5 O1 R" R* R
　　codepage=949 韩文( {  H4 c4 ~( ~4 }7 D

　　codepage=866 俄文
$ @! x$ }( J$ ^8 E! t" G! w
　　codepage=65001 unicode UFT-8# Z, G- Y, G+ S- T( O; `
/ G, R2 v- C2 u! T  K
　　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。
% N$ q3 w! @: G! G, v3 e
　　从936中随意取一行，例如：
  C+ }, s6 {1 g7 L9 k/ }+ e+ f: F
　　0x9993 0x6ABD #CJK UNIFIED IDEOGRAPH- r2 o8 W8 _$ E: d# Z
& y. q, [! X: b# C7 p; |
　　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。
2 \5 Q4 l4 K" _. v$ `. F. e
　　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?; m. V5 `# x( _; d  f+ ^- h% w

　　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?% {$ x- V) i% j9 Q- H8 v
! x# U& ]2 \) m2 e& h- z3 F
　　例：2 I( }5 J- D! a+ I
% p* u9 w5 ~& K7 `8 B0 n
　　E4 BD A0　　　　　　　　11100100 10111101 10100000( O* H3 j8 P1 @1 G$ m

　　这是“你”字的UTF-8编码
' R" z+ E, h$ ?7 K1 {8 ^7 E
　　4F 60　　　　　　　　　　01001111 01100000
! O% I* @* Z2 a. T7 a
　　这是“你”的Unicode编码
6 |' a$ R, g" B! U
　　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。( A  x9 W" |5 y1 o) F5 u/ X
2 L0 ]9 [) T4 n3 v8 ^6 @& E" k! K
　　以下是Unicode和UTF-8之间的转换关系表：+ c9 y( ?  H. h) C9 L
: l, Z+ g' ^* J, Z! |0 s+ P
　　U-00000000 - U-0000007F: 0xxxxxxx

　　U-00000080 - U-000007FF: 110xxxxx 10xxxxxx) C( h4 S, n7 n1 N& }
: I4 a7 w  \. N
　　U-00000800 - U-0000FFFF: 1110xxxx 10xxxxxx 10xxxxxx

　　U-00010000 - U-001FFFFF: 11110xxx 10xxxxxx 10xxxxxx 10xxxxxx

　　U-00200000 - U-03FFFFFF: 111110xx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx) n1 K7 p7 o1 d& d: x: D! `
8 y; e- z6 u8 [6 t# u0 y; }
　　U-04000000 - U-7FFFFFFF: 1111110x 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx% f) a3 o* J5 F. L- y

　　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]