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：( Z5 v" }6 k# S0 Q1 _8 f
' T0 G( ]& a  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。# ~  F, `  W) V" i6 j/ z8 p- a
% W9 V$ G* e+ z# P( ]) ~* l
　　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" H& \! ~  H% X) V# \7 U
. S& B" `' C8 Y1 a7 j
　　3、日本：SJIS编码7 ?/ [4 d# S+ C
+ s( m; F/ Y) d' c9 v9 w
　　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。+ i  T9 b& n5 H- t
8 Z+ g, a& g& l! \) S0 E
　　Unicode的学名是"Universal Multiple-Octet Coded Character Set"，简称为UCS。7 {# g+ c* x7 g6 H9 ^% o5 q( k
, ~6 k# u7 Y, ]
　　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 - 2F000-2FFFF0 Z% {7 g* a$ w/ W( V2 b2 B

　　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。
" j; _6 H* S9 @5 E) b
　　什么是codepage?codepage就是各国的文字编码和Unicode之间的映射表。
& m- W& _% x. ~8 O; A
　　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。6 ^  z5 \/ V6 \3 l
* s; l3 O7 b. l0 P  l
　　codepage=936 简体中文GBK' S6 Z$ u' M" _9 W4 }' R( J6 S: e

　　codepage=950 繁体中文BIG5, W$ K# V: a6 ?: I6 h" Q
; u9 t$ ~, b) t  `9 }) O0 O
　　codepage=437 美国/加拿大英语

　　codepage=932 日文4 _  L& v: y, l, p( y9 [
4 E1 @& I: e2 D. ^3 O. W# D. K
　　codepage=949 韩文
7 B% m' u5 N7 Z% v) U8 p
　　codepage=866 俄文

　　codepage=65001 unicode UFT-8. ~( k. s* f. `- B& P2 T7 N
3 q+ k6 f5 W7 h! U8 O# }* [
　　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。

　　从936中随意取一行，例如：
; A: Q+ l! h/ I
　　0x9993 0x6ABD #CJK UNIFIED IDEOGRAPH* u; u) u  L/ K. Q. {

　　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?! K0 r* k( o# B  _
( ^/ B: E3 N" f0 b& I8 m
　　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?) L' P$ a: g6 _0 ~
+ w9 l+ ~/ P( o1 L( g; Q  U
　　例：
2 y2 O, j+ i: ]1 @7 B. I6 a
　　E4 BD A0　　　　　　　　11100100 10111101 10100000

　　这是“你”字的UTF-8编码
' z& t+ q) z" Q+ P5 }
　　4F 60　　　　　　　　　　01001111 011000004 ^% H# N# m& G0 J5 B0 `

　　这是“你”的Unicode编码
# J+ ]9 Z/ W" G1 ^6 Z
　　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。: c9 {% Y$ `! Z: X# H

　　以下是Unicode和UTF-8之间的转换关系表：

　　U-00000000 - U-0000007F: 0xxxxxxx6 i  }$ o8 M, Z) \# o- m" v. n5 q( s

　　U-00000080 - U-000007FF: 110xxxxx 10xxxxxx

　　U-00000800 - U-0000FFFF: 1110xxxx 10xxxxxx 10xxxxxx! g4 R3 ]2 J- E; V1 h  i3 A
2 ~1 I8 d" ^4 o4 i0 Z4 t
　　U-00010000 - U-001FFFFF: 11110xxx 10xxxxxx 10xxxxxx 10xxxxxx
5 \+ \4 l7 m2 l9 M8 B; T
　　U-00200000 - U-03FFFFFF: 111110xx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx

　　U-04000000 - U-7FFFFFFF: 1111110x 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx" D3 J( |5 ?" o! U2 t  ^" P

　　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]