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：
% }8 q" q2 a' j; {- f! f8 S* S/ ?
　　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。
* H9 b3 [' P; u
　　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。& ^* g) R  N' g9 x

　　2、台湾，香港等地使用的是BIG5编码
4 q5 D2 R: ~; X
　　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。
7 C9 ]  g) m# W6 }8 l
　　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。
: Z" U( _  w0 Z- t  W1 W
　　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$ Y4 i7 e8 S) P. B2 `0 h$ l8 S

　　20000-20FFF - 21000-21FFF - 22000-22FFF - 23000-23FFF - 24000-24FFF - 25000-25FFF - 　　26000-26FFF - 27000-27FFF - 28000-28FFF - 29000-29FFF - 2A000-2AFFF - 2F000-2FFFF
* Q7 r0 t9 x$ G5 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。
0 i) ^) Y6 w9 u( S0 g% M) Q
　　什么是codepage?codepage就是各国的文字编码和Unicode之间的映射表。' }, F9 I$ _5 r
3 G: K* |  u( 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。
3 o" L' d' Z# E3 Z& Y" e" t% O8 [
　　codepage=936 简体中文GBK( M- W" ^3 B- D9 I  _  j, C
; T! c0 k2 m& @, I3 r4 U0 d
　　codepage=950 繁体中文BIG51 O8 p( \$ I) e+ x
; v$ a: z6 Z  F. J) ~7 v6 E, _
　　codepage=437 美国/加拿大英语
3 `3 z/ }% d0 [4 |, K
　　codepage=932 日文! ~* ^1 n. r, O) l+ b

　　codepage=949 韩文; v+ W/ G6 \8 K9 m) U

　　codepage=866 俄文
9 c7 W9 F) c# Q2 P9 p5 O
　　codepage=65001 unicode UFT-8) x. Z0 q  A. f: ^4 y% e( }# p0 i
: b4 h2 ^% K1 W8 [
　　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。% d, F/ F5 a' _3 N9 K- t/ I/ g* c
% ~+ K  m1 q% B6 ?3 \) g
　　从936中随意取一行，例如：: c' z' N7 ]8 X$ o+ ?
# c: c0 K( @: U. Y
　　0x9993 0x6ABD #CJK UNIFIED IDEOGRAPH! m% g/ g, h: [4 K' X6 `$ c: A( U

　　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?" }2 I, X  c9 t
7 K1 E: x' Y2 y/ I& Q
　　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：$ d* A( z- {0 f, H5 U
- t2 N+ e6 ?+ ^, P$ }) M1 ]# f/ v
　　E4 BD A0　　　　　　　　11100100 10111101 10100000

　　这是“你”字的UTF-8编码

　　4F 60　　　　　　　　　　01001111 011000000 }5 \; B' i8 V+ m6 |' _
) b  J' y1 e1 ^0 q6 ]0 R( X
　　这是“你”的Unicode编码9 `- l5 O0 J& V. p* `
7 y9 ~9 f. t& C  }
　　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：; `+ T4 Y8 z& s. ~' ?- H( M
$ w1 B, G4 Z3 H4 {- f3 G3 Z  O
　　U-00000000 - U-0000007F: 0xxxxxxx$ W. ?$ w$ v3 d1 ~" }- V7 j$ G
' \7 ^" a, q% F' h# h& Z
　　U-00000080 - U-000007FF: 110xxxxx 10xxxxxx
1 ~! b4 Z! F- I1 g' R
　　U-00000800 - U-0000FFFF: 1110xxxx 10xxxxxx 10xxxxxx' z% W$ o6 L% `4 c. L* S
3 A4 ~; f2 Y0 [& a& |
　　U-00010000 - U-001FFFFF: 11110xxx 10xxxxxx 10xxxxxx 10xxxxxx

　　U-00200000 - U-03FFFFFF: 111110xx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx8 d/ v4 E5 w7 d6 B! S, m
& ~  _' S* q) f7 t# p5 Z
　　U-04000000 - U-7FFFFFFF: 1111110x 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx) U+ O& S- i7 N+ 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]