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：" ]# v( N) K: T! H6 j$ f1 c) ?8 I
6 X8 ]7 ?% I4 \0 R
　　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 R: a. x7 h* f
0 n% z2 y8 y, s" l( L) g
　　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。
* p5 w0 Q3 X4 S3 e
　　2、台湾，香港等地使用的是BIG5编码

　　3、日本：SJIS编码
. D; |3 Y9 X2 u. q
　　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。
% E* b1 f% s  `3 ~
　　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。7 |* w  L4 D9 ?9 g& g' k: Q/ ?

　　Unicode的学名是"Universal Multiple-Octet Coded Character Set"，简称为UCS。! S% h: b8 m, X4 A4 m# s# i9 D+ R
: M4 K$ ?, `) Q8 J
　　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, c. K( x. ^9 @5 ]& F1 G

　　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 L: @% D) C- D: y
& F# N; ?8 k# z9 m
　　什么是codepage?codepage就是各国的文字编码和Unicode之间的映射表。+ D: a! b( G4 r" q9 t2 Z/ H& v
# m' V& t8 W  N' H
　　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。8 @! z, v# a. P3 h& K- S. Q

　　codepage=936 简体中文GBK1 u- l2 D. i! B% t; c9 ^
3 ?3 N+ L+ t# y; h: ^7 h
　　codepage=950 繁体中文BIG5: b1 Y6 v( [8 X5 `1 D6 [( H0 R! D0 A
$ _! h( k4 E7 U9 Q  E% n9 }6 H5 \
　　codepage=437 美国/加拿大英语

　　codepage=932 日文
- q7 d6 {# E: o  S: }
　　codepage=949 韩文7 ~7 W' h8 y; I+ y3 o1 M& N
- r+ t6 i  _6 W( ~" G  _6 D7 e
　　codepage=866 俄文

　　codepage=65001 unicode UFT-8# ?4 Z4 Z. t( J2 o2 @) s; X- \
8 X7 U2 [+ X6 S
　　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。
6 M2 |: f; w( O0 Q* J
　　从936中随意取一行，例如：, k: w& [5 p0 e+ Q8 `  D8 f" I9 f

　　0x9993 0x6ABD #CJK UNIFIED IDEOGRAPH

　　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。4 G; q5 |* @( ~% C6 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?/ D- {8 `' B* `6 O/ B; ^, v( D; Y

　　例：  Y9 }- y* k5 o; [* b, d
# z3 c$ |- ^0 a5 e1 f
　　E4 BD A0　　　　　　　　11100100 10111101 10100000" F6 `# x9 M' j, @2 j1 {, T

　　这是“你”字的UTF-8编码

　　4F 60　　　　　　　　　　01001111 01100000

　　这是“你”的Unicode编码- _) j/ u" F) M3 k1 y4 B

　　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。4 h  ^7 g7 I! U9 V/ n9 @* e, d4 M

　　以下是Unicode和UTF-8之间的转换关系表：* p% x$ v/ I& s8 Z
# ~9 S# }' c2 o/ ^; i
　　U-00000000 - U-0000007F: 0xxxxxxx' _3 T' {, g# h- [* [+ c3 n

　　U-00000080 - U-000007FF: 110xxxxx 10xxxxxx" {0 X; @$ ?; Z/ Z) O4 p- y( ^' p
8 S0 o/ o6 F/ ~1 z/ M% j
　　U-00000800 - U-0000FFFF: 1110xxxx 10xxxxxx 10xxxxxx) k: F# H3 A! n3 W
# R7 \+ p" G% W3 B
　　U-00010000 - U-001FFFFF: 11110xxx 10xxxxxx 10xxxxxx 10xxxxxx5 \" R% W) e7 m7 ?/ T1 V( L( n

　　U-00200000 - U-03FFFFFF: 111110xx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx

　　U-04000000 - U-7FFFFFFF: 1111110x 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx- |$ q  ^1 K0 U
; Y0 w' k2 h0 T" d" T, P2 {1 ^& M
　　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]