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：4 }. H  ?8 t' M  S% V, l5 N* v
7 s# Z5 V/ g5 H7 k3 c, M- ~# ^
　　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。
% B. e( N9 d: N; g3 O& Y
　　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。- T5 r2 H* Z7 ?. ?
% V  k* W0 e5 g( o; x3 o
　　2、台湾，香港等地使用的是BIG5编码

　　3、日本：SJIS编码+ |3 n* C) i3 D2 F- ^5 V
/ v( o2 Y& `$ u2 y4 m% l$ P
　　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。0 A3 Y7 U! c# Y

　　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。

　　Unicode的学名是"Universal Multiple-Octet Coded Character Set"，简称为UCS。
4 k. R& \+ d! Y) h  ^$ T( E3 |: a0 M
　　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# q2 s% y( ~" W# K- z2 k# t
+ `8 x6 e. R( z/ g; T
　　20000-20FFF - 21000-21FFF - 22000-22FFF - 23000-23FFF - 24000-24FFF - 25000-25FFF - 　　26000-26FFF - 27000-27FFF - 28000-28FFF - 29000-29FFF - 2A000-2AFFF - 2F000-2FFFF
$ i& U% G1 @9 [2 P3 z4 k3 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。: Q; K% A" L( v2 q) A

　　什么是codepage?codepage就是各国的文字编码和Unicode之间的映射表。0 n) O1 m# ?! d
9 D; x# H. G/ v( e8 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。
0 D5 j( T( [7 x* l4 m
　　codepage=936 简体中文GBK
) V" z: n+ Q4 X  X: V' F( w
　　codepage=950 繁体中文BIG5

　　codepage=437 美国/加拿大英语: T0 v7 F! ~9 b/ y( C0 E
8 w0 z. B0 s6 S: |/ o* b
　　codepage=932 日文3 B6 ]. D! a9 [  I6 w' ^. T% v: _7 E
/ }# m- @3 I0 F& P
　　codepage=949 韩文
: `: J9 _! k1 p
　　codepage=866 俄文
6 |- x: q5 [& g+ b
　　codepage=65001 unicode UFT-8& v% U. J$ t8 ]
/ U  y- T& M' o" M4 Z
　　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。9 |8 I( W+ h" n: N9 X0 ?
8 \4 M5 i( u3 t
　　从936中随意取一行，例如：
3 L0 d. n; D9 s5 F+ P0 ]
　　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。
$ \! u2 G5 X/ c) Y  j4 d
　　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?3 \; s) H- o$ G) ~4 G
) \8 U9 T( U6 V
　　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：! B$ R4 x# K& n' V" I; |
" B% n" i; O9 N# k
　　E4 BD A0　　　　　　　　11100100 10111101 10100000
5 F  N  x7 O& j4 K7 r5 l
　　这是“你”字的UTF-8编码, z. ~/ h$ X1 q% C, B' ]. X

　　4F 60　　　　　　　　　　01001111 01100000! E+ S9 _) g* v4 K, ^6 \1 f# c
& l' ^  J8 a4 a5 E9 c
　　这是“你”的Unicode编码2 U8 x# d" F& M$ y9 ~7 z8 S; r1 l
8 i$ v2 }  _) q6 q( s5 G4 k
　　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。: `- X5 }7 n" z* P; p  U

　　以下是Unicode和UTF-8之间的转换关系表：: S) p6 \# p' R7 l/ |" s3 G
: n0 H; [$ C7 V* ~$ D
　　U-00000000 - U-0000007F: 0xxxxxxx  `$ ?; E( l1 \3 A
6 x7 B( x* O1 w6 |
　　U-00000080 - U-000007FF: 110xxxxx 10xxxxxx: n# j! K0 x  C3 T& T, O$ s/ I

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

　　U-00010000 - U-001FFFFF: 11110xxx 10xxxxxx 10xxxxxx 10xxxxxx
/ u' ~) h/ v: h3 A
　　U-00200000 - U-03FFFFFF: 111110xx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx
/ h/ @- I  ~( _& Z7 a3 m
　　U-04000000 - U-7FFFFFFF: 1111110x 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx: r/ `+ O5 K& t( b

　　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]