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：5 X! k- T2 V, ?! n  ?1 H
  ]* U* \$ p0 Y. H
　　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。0 E. f' u9 O8 ]
+ m4 O3 _$ B8 g* |' o
　　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% T% x$ T' ]" y  Q& o
8 {0 N: \% W" k, R- @* Z
　　3、日本：SJIS编码- F) t- ^- k6 @: n* q$ T; w
7 K# A9 B* y8 d5 a+ @
　　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。2 a. H7 D2 r6 \

　　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。. h2 O  e- A1 P4 F  ]# a7 n
( j: D$ L. \1 K
　　Unicode的学名是"Universal Multiple-Octet Coded Character Set"，简称为UCS。' j" W3 o% k8 B/ N  `* V

　　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
4 i6 A" p3 d( z6 y9 W
　　20000-20FFF - 21000-21FFF - 22000-22FFF - 23000-23FFF - 24000-24FFF - 25000-25FFF - 　　26000-26FFF - 27000-27FFF - 28000-28FFF - 29000-29FFF - 2A000-2AFFF - 2F000-2FFFF& x5 `+ L* n' q$ O8 }3 J" A
5 J* I6 E" l7 L# o( n# |
　　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。) d4 {2 n8 \6 F* u- S
# ]9 y& V6 r  U  g5 K7 N% w9 V
　　什么是codepage?codepage就是各国的文字编码和Unicode之间的映射表。

　　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

　　codepage=950 繁体中文BIG57 n5 h. W$ q- x/ V
3 r" s( a- ^# y, q/ r8 q+ z5 d0 }
　　codepage=437 美国/加拿大英语
4 N6 x7 `) ^- e
　　codepage=932 日文6 J6 \  I6 _9 \1 u* j0 i
! i  q, J( ?% [) v8 _
　　codepage=949 韩文  @; P0 a9 Q0 k

　　codepage=866 俄文

　　codepage=65001 unicode UFT-86 K- _3 B: h+ s. w* _0 u0 q9 u
. q( @. s% Q3 B
　　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。+ l! S3 w3 B8 z! @5 B! f5 t, Q. H0 [

　　从936中随意取一行，例如：4 H0 o  f4 N1 M8 q: Z7 E2 z7 f

　　0x9993 0x6ABD #CJK UNIFIED IDEOGRAPH: O& a. d( S, ^. z& f% z
7 k5 ]! R+ ~. |  b/ C3 V* o% m
　　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 N- U$ b- r4 d2 t
" M  b% p: R5 v: f2 d, i* V
　　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?
$ y6 j* b; @& S5 @
　　例：8 W1 [. ~. S' k* h! w
4 v, t/ m, H- q7 @
　　E4 BD A0　　　　　　　　11100100 10111101 10100000
6 s/ g% n. O/ @1 C6 ^
　　这是“你”字的UTF-8编码* c( Y: V7 C7 C$ W/ e" M; F
! ^7 O0 C5 k+ w
　　4F 60　　　　　　　　　　01001111 011000002 \3 i! o! e8 Z
" I+ k* p" D+ H# g5 y
　　这是“你”的Unicode编码

　　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; |* I( u" w3 d8 M# M
& Y0 [. j1 x& j4 c  |3 s" `3 b- U2 K' I
　　U-00000080 - U-000007FF: 110xxxxx 10xxxxxx

　　U-00000800 - U-0000FFFF: 1110xxxx 10xxxxxx 10xxxxxx
. ?& v) j% ?9 b
　　U-00010000 - U-001FFFFF: 11110xxx 10xxxxxx 10xxxxxx 10xxxxxx
& m  d0 \7 b, w* V# |; h
　　U-00200000 - U-03FFFFFF: 111110xx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx

　　U-04000000 - U-7FFFFFFF: 1111110x 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx# I! G$ N- e  R4 U- v) `
" A  M. |+ S9 T% g
　　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]