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：
/ o; b* u/ ^; {; K* G
　　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。

　　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/ _" Q' {% e8 [3 T3 p% B

　　3、日本：SJIS编码' B3 k3 c: _) K: v; V
# p. r7 v# r3 m4 e
　　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。/ a( ?* p8 K  {+ R
' H9 G7 N3 G: t5 a4 _
　　Unicode的学名是"Universal Multiple-Octet Coded Character Set"，简称为UCS。# q8 A6 s+ a$ G, X
5 p" y; i, v) Y- k  m3 u# {* Z
　　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

　　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。
9 o4 `; S$ {5 v
　　什么是codepage?codepage就是各国的文字编码和Unicode之间的映射表。* e# O, a8 X) e
  F/ P9 I, Y5 I
　　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。
' @. v7 {9 W3 j) @8 Y9 {
　　codepage=936 简体中文GBK

　　codepage=950 繁体中文BIG5& o( q; {5 P. ~  x8 e# b
2 N5 }9 p. `1 P! d( b
　　codepage=437 美国/加拿大英语
* [8 m1 g! B1 P6 p0 S5 ]
　　codepage=932 日文2 G4 J7 I. u; {7 y* x. ]
( n0 ]" I) C# m2 S* M" |
　　codepage=949 韩文

　　codepage=866 俄文

　　codepage=65001 unicode UFT-8
* Z/ W/ y; C" v2 W: A+ E7 A
　　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。4 Y! T* k0 I9 h! |+ _$ S
: N1 U7 L2 y- a' s
　　从936中随意取一行，例如：# l" S/ |3 G3 P+ v
" \/ v( g, a/ I; f0 R' c6 X
　　0x9993 0x6ABD #CJK UNIFIED IDEOGRAPH: X1 K1 K- R/ F* H- Q: X

　　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。6 q; ^6 u: G: h7 K, g1 U
  t" L# i  z; r
　　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?

　　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?3 }5 G* e. D) K4 t% r1 F

　　例：/ K3 ~8 c, F& H* K0 u  z* _" x

　　E4 BD A0　　　　　　　　11100100 10111101 10100000

　　这是“你”字的UTF-8编码
" y7 U" a& r+ ~/ R/ W
　　4F 60　　　　　　　　　　01001111 01100000! V5 d& {/ y" m' _+ `3 Q. d7 H

　　这是“你”的Unicode编码
" {/ _! g; j( w, L# [" q6 Q
　　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: 0xxxxxxx+ q0 X! v% S9 K) h0 A. I0 n6 e
$ H; Z6 \5 h  j$ Y
　　U-00000080 - U-000007FF: 110xxxxx 10xxxxxx

　　U-00000800 - U-0000FFFF: 1110xxxx 10xxxxxx 10xxxxxx

　　U-00010000 - U-001FFFFF: 11110xxx 10xxxxxx 10xxxxxx 10xxxxxx/ f$ ^4 g0 d; V

　　U-00200000 - U-03FFFFFF: 111110xx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx# |- ?4 E3 r) T

　　U-04000000 - U-7FFFFFFF: 1111110x 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx$ m+ |/ [' S) g" W: Z

　　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]