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：- g: i$ ^1 G) N8 ]  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。& @; n, Z! s" @2 Z! x) X& y
- x9 f; A7 `( }: t1 ^* y/ Q
　　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

　　3、日本：SJIS编码

　　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。8 R# c$ j+ {* H  d* K2 q
% x  d; r0 }7 Z8 |
　　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。% u) k$ h! X2 G" M# E/ _

　　Unicode的学名是"Universal Multiple-Octet Coded Character Set"，简称为UCS。
: n/ v0 ^6 ]/ @. S' r
　　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" Y! @- d7 b) O) Z. G, x
* H0 R) u, d" }( a* S: O
　　20000-20FFF - 21000-21FFF - 22000-22FFF - 23000-23FFF - 24000-24FFF - 25000-25FFF - 　　26000-26FFF - 27000-27FFF - 28000-28FFF - 29000-29FFF - 2A000-2AFFF - 2F000-2FFFF4 }$ z7 a$ Z" H  M5 @4 K
9 D' ]: A( L; d. S0 o, ?
　　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。
! G7 K7 S  W" R& K- h( D3 h
　　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。9 G8 F7 D4 f% k! h, ^( y/ C
. j/ N" Q4 \3 v, |0 W# L2 L5 m; l
　　codepage=936 简体中文GBK: ]. n8 i8 M# ]5 H7 W
6 J3 \) j% h, F# [/ `
　　codepage=950 繁体中文BIG54 P0 ^+ B) V( p4 ]# Z; K$ I' I4 R  m

　　codepage=437 美国/加拿大英语0 v+ s+ D7 d! _, C8 }  I4 B! G- x( @

　　codepage=932 日文+ J1 x+ \& R" j$ h
( w) q& }7 u& z4 n- O% b" S) i
　　codepage=949 韩文; K8 {7 u9 A$ M: w6 @3 J4 d
+ h( e4 I1 H( w& Y1 u
　　codepage=866 俄文! W# ~& _( y  E4 A! s/ V- Z

　　codepage=65001 unicode UFT-8
4 |) O( @! ]$ e& G
　　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。7 U0 h( N  G9 j8 T! s1 y
9 v) \1 k/ g; R! D1 p" g  }
　　从936中随意取一行，例如：2 T7 J& O# |8 u" X. |- ~' K

　　0x9993 0x6ABD #CJK UNIFIED IDEOGRAPH' a' o) E8 W& K4 n* F
  n* Y# y4 h, L4 J7 C8 R: p- A
　　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。

　　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?5 I. L) M  y$ K% _# b' ?8 o. o# k+ Q! ?
5 F: W6 v$ i% h6 i$ b
　　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?

　　例：$ Q, {1 {6 g' Z1 q5 m. l. P$ B3 f
' c& j" L2 Z  P; N
　　E4 BD A0　　　　　　　　11100100 10111101 10100000+ h" V* t) n5 j% @5 n. S

　　这是“你”字的UTF-8编码$ W5 [* @! \  t8 \& p

　　4F 60　　　　　　　　　　01001111 01100000. r5 G% q2 @: D6 p5 ~+ W

　　这是“你”的Unicode编码& n8 l" I/ @+ N4 P

　　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。
' Y2 z& @4 j+ h+ W
　　以下是Unicode和UTF-8之间的转换关系表：
% U7 N- b& N! H8 X) f: }8 `! f
　　U-00000000 - U-0000007F: 0xxxxxxx" H2 e4 S( p) C0 b' a
! R, F" ~" K- m. l: }2 Y
　　U-00000080 - U-000007FF: 110xxxxx 10xxxxxx

　　U-00000800 - U-0000FFFF: 1110xxxx 10xxxxxx 10xxxxxx

　　U-00010000 - U-001FFFFF: 11110xxx 10xxxxxx 10xxxxxx 10xxxxxx

　　U-00200000 - U-03FFFFFF: 111110xx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx* y4 F, v( E5 |+ K

　　U-04000000 - U-7FFFFFFF: 1111110x 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx9 E. u/ E6 _+ j2 u1 u
$ t6 p! J# b# i" q6 U
　　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]