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：
/ ?! E: C, F# [" v! M! Q& _3 ]
　　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。# l. P' j8 _& m5 A" ^

　　2、台湾，香港等地使用的是BIG5编码. L8 L" `# I, {9 c2 e) h

　　3、日本：SJIS编码1 X- @# Y( q0 R

　　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: N* t0 @, s1 l! m! s. Z

　　Unicode的学名是"Universal Multiple-Octet Coded Character Set"，简称为UCS。
  W, P- i% I. e; Y  E2 K4 F9 B
　　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6 R- P6 F9 g/ J
8 ~+ ?- f% t* 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' d0 y- J# @/ |2 K! u3 P

　　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。! ]0 P" U0 n) Z  |

　　什么是codepage?codepage就是各国的文字编码和Unicode之间的映射表。- G% Q2 c: J3 Q  ^! E% h( J0 o
) V; S8 l2 r6 \
　　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。

　　codepage=936 简体中文GBK
% v% @/ d. v$ d# }! r1 i8 C( G
　　codepage=950 繁体中文BIG57 a( N/ l& L7 x! b2 o5 f0 i
. F! g6 O9 a! A# T8 j- w+ X
　　codepage=437 美国/加拿大英语5 W7 i2 `) N$ g
7 P( X) ~7 ?( n3 _
　　codepage=932 日文. U4 \2 L  E6 u6 X. r. A1 K( D- R
; g# \: {6 Y  v- p
　　codepage=949 韩文

　　codepage=866 俄文5 t* ^1 X) P& K' Q' P# H7 d* s, w
0 k+ m: ^3 p8 V/ q6 i8 o  z! i7 c+ w
　　codepage=65001 unicode UFT-8" g5 T$ v3 c( p5 G! v

　　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。$ S$ d' A) X- n+ T1 t

　　从936中随意取一行，例如：7 k* R0 R' G" ^4 d# P
* b& I/ }8 |& H* m- _
　　0x9993 0x6ABD #CJK UNIFIED IDEOGRAPH
* z- V  _1 Q5 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 D5 A: D6 y. n1 m/ o$ m
, o9 F" E! 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?

　　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?
5 H" t( |. w, P1 ?4 W9 f, S/ F) ?1 Y
　　例：/ u  A- K$ P7 m0 ?
. Y" t6 `, C+ p# N2 h' r
　　E4 BD A0　　　　　　　　11100100 10111101 10100000
8 z" ~6 e) `+ `) |+ p* B# o
　　这是“你”字的UTF-8编码
( L% ~; I5 _% N# }4 ]- {% G
　　4F 60　　　　　　　　　　01001111 01100000

　　这是“你”的Unicode编码
: I/ d0 b/ U, J6 {# T% a) A8 d
　　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。
9 p0 t0 ^0 O3 W8 P& j
　　以下是Unicode和UTF-8之间的转换关系表：' H) y& t0 M8 t7 f1 n( c

　　U-00000000 - U-0000007F: 0xxxxxxx/ c4 w8 }. o- r0 q
9 M/ p7 Y' ^, b5 J. J
　　U-00000080 - U-000007FF: 110xxxxx 10xxxxxx

　　U-00000800 - U-0000FFFF: 1110xxxx 10xxxxxx 10xxxxxx3 t. p! F! ?4 O' C
9 s/ i0 _+ j$ X9 g
　　U-00010000 - U-001FFFFF: 11110xxx 10xxxxxx 10xxxxxx 10xxxxxx

　　U-00200000 - U-03FFFFFF: 111110xx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx4 s1 b7 S( u! ^% s; N3 N

　　U-04000000 - U-7FFFFFFF: 1111110x 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx+ K& ?# e, Z, l( i

　　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]