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：9 C( ^$ ]- f* B

　　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。

　　2、台湾，香港等地使用的是BIG5编码0 u- d# w1 {/ X# d& Q5 O4 |2 T
4 }6 u( b, J% q
　　3、日本：SJIS编码2 p6 ~& ]; S; P& r3 A
8 F& {4 g- z3 Z! p8 t: t9 o% P' n6 [. L1 O
　　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。5 l$ u9 Q, ~$ |' S, L2 [/ `
4 d0 ~8 r. X8 r* ]$ c
　　Unicode的学名是"Universal Multiple-Octet Coded Character Set"，简称为UCS。

　　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

　　20000-20FFF - 21000-21FFF - 22000-22FFF - 23000-23FFF - 24000-24FFF - 25000-25FFF - 　　26000-26FFF - 27000-27FFF - 28000-28FFF - 29000-29FFF - 2A000-2AFFF - 2F000-2FFFF
5 O1 K" ]) S2 N$ v
　　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。; @$ }" `8 M% E; A( e! J3 F' u

　　什么是codepage?codepage就是各国的文字编码和Unicode之间的映射表。, e  |7 ~6 G* \3 G! c
! |2 X4 s; P( E; r3 I  M% Q& U
　　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。, H0 \" o1 G$ L. R: P7 y
7 K) q6 M( t5 e" Y7 u" B) A- [
　　codepage=936 简体中文GBK6 ]  b+ S  ]" H2 S8 T+ r( M

　　codepage=950 繁体中文BIG56 T( j. x' p3 z- E
7 U2 G* y7 \0 F# \
　　codepage=437 美国/加拿大英语
" V; B. ?% f' J2 V* I
　　codepage=932 日文2 K; c- {1 A+ K9 I) \
; d, N% y: S$ w# Z
　　codepage=949 韩文

　　codepage=866 俄文) Y* T  N0 E( t. ~. N0 B+ ]
- Y4 }. }- k5 M3 X
　　codepage=65001 unicode UFT-8) L1 x( U" j: [- _9 X% K1 Z
/ `6 }7 u: I+ V! p4 C9 C# |
　　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。
' h. M5 j8 c# u) q8 B) \
　　从936中随意取一行，例如：

　　0x9993 0x6ABD #CJK UNIFIED IDEOGRAPH
7 A9 M5 F8 r- ~8 [
　　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。/ x0 O. y2 s9 p3 `" K: a5 h5 r
# {0 f% S. z3 b6 K6 l; E
　　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?
  A2 H" t, [$ L8 i
　　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?. B  y, N+ g. ~7 @

　　例：/ D( e7 x2 J$ H4 N+ b
3 z1 o1 t4 B3 O; x( I8 d
　　E4 BD A0　　　　　　　　11100100 10111101 10100000" }: j, `2 x) u1 r$ o3 m
# C/ U  k5 f" d0 @( k
　　这是“你”字的UTF-8编码  |: C4 Z3 \$ ]$ B

　　4F 60　　　　　　　　　　01001111 01100000
! o0 X& n. u3 g. M2 i  k
　　这是“你”的Unicode编码
: F8 Y! Q/ g' S5 g- u$ V
　　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：$ _5 E) h: T( @, L

　　U-00000000 - U-0000007F: 0xxxxxxx7 `# p& h" B. t
# _1 H& Y/ `+ j4 `8 x. t$ S, e2 q3 [
　　U-00000080 - U-000007FF: 110xxxxx 10xxxxxx( @: D$ f* e+ ^4 g( L7 [

　　U-00000800 - U-0000FFFF: 1110xxxx 10xxxxxx 10xxxxxx! ]% B9 ^/ [$ A8 g- [' g

　　U-00010000 - U-001FFFFF: 11110xxx 10xxxxxx 10xxxxxx 10xxxxxx' Y" ^4 S- ]8 A3 p% a
- _9 k1 C3 c; B$ S
　　U-00200000 - U-03FFFFFF: 111110xx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx
) L+ T- i4 ]$ @. T% y! T+ Y! f
　　U-04000000 - U-7FFFFFFF: 1111110x 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx! T+ N9 ~1 @1 \, M' E

　　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]