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。6 @( D% X  L( O# @& L
- @/ _# w7 z5 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。

　　2、台湾，香港等地使用的是BIG5编码  s  S! ?5 U1 U8 A! _

　　3、日本：SJIS编码
& q9 h$ I" a8 ~, q& u
　　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。7 a& S5 U; P" s' p0 R

　　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。
3 x, n) g; o& W; }! [6 K8 _6 E
　　Unicode的学名是"Universal Multiple-Octet Coded Character Set"，简称为UCS。7 R  B2 }* K& G

　　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& K/ p9 C6 D+ ]" H9 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

　　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 G0 x9 l% L- r- w7 e3 V
　　什么是codepage?codepage就是各国的文字编码和Unicode之间的映射表。/ _! P) c# |4 N0 y( O

　　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。
6 N) g0 |  T( W9 m) ^" X
　　codepage=936 简体中文GBK
, I/ s# ?' n4 D9 I8 _3 U8 s
　　codepage=950 繁体中文BIG54 o5 E# e: T- e1 Z+ j/ A  J
, x8 A! j* o. s* k7 ?
　　codepage=437 美国/加拿大英语
6 L5 c( u" t0 a
　　codepage=932 日文. _: x/ f* v7 N; |6 e: v% I
; j& s. p: C! u& @
　　codepage=949 韩文( D4 X* h& V0 I0 `  C: S, O
+ T0 ]4 E" H/ y' r
　　codepage=866 俄文
- A* f9 q* ]8 O& J7 w4 R
　　codepage=65001 unicode UFT-89 }8 p! B. G+ v1 X" w
3 X" f. e0 d+ n4 i6 t
　　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。( e8 t7 Z& S  ~1 n8 \' R# E

　　从936中随意取一行，例如：6 t1 G3 w" k  r8 W* O: s$ W
$ p& u' B3 r& l: n' F
　　0x9993 0x6ABD #CJK UNIFIED IDEOGRAPH
# [' w, H: Y$ x9 i) 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。/ G9 v7 i* S' Y  a: Q

　　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 ~+ x0 u1 h) g& U8 e$ \
　　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?* L  e1 ]7 e" H! }4 e: _
! ?8 |' f. N4 v- @0 f. p
　　例：
' |6 L( z; p" ?' s1 S0 y
　　E4 BD A0　　　　　　　　11100100 10111101 10100000
# m* B9 C1 k0 h) X( Y
　　这是“你”字的UTF-8编码

　　4F 60　　　　　　　　　　01001111 01100000
( `9 G1 z5 j2 S/ T) a1 R
　　这是“你”的Unicode编码
' ^- ?4 S, U2 A' B, o
　　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。
# F) X. R4 Z& p( I- A
　　以下是Unicode和UTF-8之间的转换关系表：% B; k$ n7 @2 @
9 F% m; n* L) q5 F. ]: [
　　U-00000000 - U-0000007F: 0xxxxxxx
4 _3 H6 Q0 x1 p7 X: N, s
　　U-00000080 - U-000007FF: 110xxxxx 10xxxxxx
1 A1 E7 P4 ?8 a/ e
　　U-00000800 - U-0000FFFF: 1110xxxx 10xxxxxx 10xxxxxx

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

　　U-00200000 - U-03FFFFFF: 111110xx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx$ k" G+ L. u. m5 B

　　U-04000000 - U-7FFFFFFF: 1111110x 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx  A7 p! `4 j5 Q

　　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]