HTML语言:什么是Unicode 什么是UTF-8 Unicode, UTF-8, HTML

admin

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：
" T+ j) c6 M8 i+ E4 k1 t
9 {6 O& D* o3 i　　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。
& ?- k) `) \& |" o  w* O. G1 k
; g0 c0 V( C0 V& t" a　　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。$ F6 n9 ?3 C1 S2 N' m! S

! _5 V) o2 H2 ]3 L1 m4 R6 n　　2、台湾，香港等地使用的是BIG5编码
! O: |' r. N' J8 E" Z5 L" Y; ]1 \0 V+ B  J- m7 b: H
　　3、日本：SJIS编码
8 S3 w+ {" K- C. V/ w# z9 ?$ s6 N: x& p( ^, S# B
　　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。
. U0 d, I1 T! q# V
/ d: Q! j2 F8 M7 q9 E　　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。
0 O  U/ k( ^' j" k
: T, A4 d/ C0 r9 R, M% W　　Unicode的学名是"Universal Multiple-Octet Coded Character Set"，简称为UCS。4 R3 R* c2 E# U/ V
3 L5 E9 R+ o8 K0 D* ]8 G5 |  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' x9 r4 r7 D  b, H" K

5 E1 a* U4 W+ n3 }9 V1 Q$ c　　20000-20FFF - 21000-21FFF - 22000-22FFF - 23000-23FFF - 24000-24FFF - 25000-25FFF - 　　26000-26FFF - 27000-27FFF - 28000-28FFF - 29000-29FFF - 2A000-2AFFF - 2F000-2FFFF
& w; y, ^9 v" ?$ o, I; I$ _/ w- k! u
　　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。
. z8 T0 J( X/ D3 k
; |, B1 Y$ ?; U: l　　什么是codepage?codepage就是各国的文字编码和Unicode之间的映射表。
, Z+ m3 s8 l# Q: }$ {
. `4 H) H3 F2 z# c( N  y! S　　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。
. H6 C, E/ _3 _7 f( j" k! w$ q  c- r' H( J  d; b
　　codepage=936 简体中文GBK
, a1 u: N4 C$ z- P0 k8 r) V3 L0 y
$ w/ f# [. I( A　　codepage=950 繁体中文BIG5
: h4 m* t$ K9 h3 g4 V
0 M! U( `0 H* h, y& x+ j　　codepage=437 美国/加拿大英语
/ t+ l  ]7 Y- E; K3 I4 h) t; c. S/ X
　　codepage=932 日文
& V+ p, f$ Q3 e0 Y5 |/ V% M  H5 U- \$ u7 P9 ?
　　codepage=949 韩文( m3 D, G) ~% U) x5 W

8 b# S- q/ F; ~& x/ c. L　　codepage=866 俄文
6 Q7 m5 {% M$ X( K# k1 h! u; m4 v- K6 Y/ U4 O  K! q% w
　　codepage=65001 unicode UFT-8
+ d. {; R6 X9 ]2 a( v- P
, Y5 P" d7 t  @/ \$ q　　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。
$ ^" T, S& {# g0 y: @
: `, Z% U+ x! `' U8 c$ u　　从936中随意取一行，例如：. i/ p4 p9 W5 v& i/ M$ g

+ z+ n6 ~' f* W4 W　　0x9993 0x6ABD #CJK UNIFIED IDEOGRAPH
3 s; L  M, ^( h( r3 b- |- D
; G% q! k( W, j! l$ 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。/ |2 g1 S. E, D- c+ H- p

5 x* r# G! {: D5 g　　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?
, t- q+ H+ N% A3 _0 I) ~
/ {* p/ b, D1 j* ^) p+ G　　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?
! h0 Z8 h! b) p6 S# t: T0 Z3 o" C* N4 o
　　例：& Q# n) U' I3 D; w: s

  H$ w) _1 c) [0 ]7 T　　E4 BD A0　　　　　　　　11100100 10111101 10100000
/ ~! n+ h4 [& I( u' M. ^, |0 C; L+ N; k8 z7 G! d8 ~5 u
　　这是“你”字的UTF-8编码: \- M; W8 S1 _/ d/ d( d. j

" Q' S6 s+ J! B: J. B　　4F 60　　　　　　　　　　01001111 01100000& v; H9 H) W: H/ x8 s

) T) F, t9 ]2 w* V) L　　这是“你”的Unicode编码
0 G8 ^& k4 y9 O% j1 H- m& p  z
( C6 t& N# ^' I. E$ W2 b6 F6 D" A　　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。3 D* H' A1 F% ~% Y: \
; H' Q& ^0 M* s
　　以下是Unicode和UTF-8之间的转换关系表：5 `& d0 ^, ^& f. b' K7 X' d. I  x9 ]
0 @$ m( U( t; Y4 Q6 A: i
　　U-00000000 - U-0000007F: 0xxxxxxx, r2 T2 z8 Q6 `6 Q4 T* O% ~2 e
% p8 w! O; `( B* [9 S  l& C  y, s
　　U-00000080 - U-000007FF: 110xxxxx 10xxxxxx
6 }* y+ s) k5 |! A; d) W) ~& W- r' C7 E! m1 s) Z
　　U-00000800 - U-0000FFFF: 1110xxxx 10xxxxxx 10xxxxxx# M$ M2 B, L$ s8 f

5 |4 @, v: {! b/ V; u7 t; ]　　U-00010000 - U-001FFFFF: 11110xxx 10xxxxxx 10xxxxxx 10xxxxxx( b3 ?+ @0 X+ K" b2 Y
% }9 U! _4 H' N6 O0 f) I0 X( W
　　U-00200000 - U-03FFFFFF: 111110xx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx
; }! R/ ~2 l6 u$ ~& e% ~: R. ?8 ]+ `/ m
　　U-04000000 - U-7FFFFFFF: 1111110x 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx, S5 ?8 a/ z9 K' [1 k" S" C) y( D

; A& G" _) ?8 i7 ~4 y  w　　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。