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：. r# g$ _  G  S+ Y# Z
  N' S0 p. a  K; ?( i8 Z7 ?  f6 s, 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。+ Q% a5 ~* X8 ^6 ]: ]

　　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。7 g$ K. v& u& y. r7 f: d2 Z
' l# j- J" c9 Z# V6 q
　　2、台湾，香港等地使用的是BIG5编码: l& x; H+ }" M8 s( g& J8 j8 S4 o& U$ K

　　3、日本：SJIS编码
3 V" A0 _3 k! z# X. Q6 ?
　　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。
. c3 ?5 N" \5 L1 k& v9 M: B$ n3 t! a5 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。# s- W- t  M/ j& 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
8 _+ S) }$ e. Q" f5 d2 D, L
　　20000-20FFF - 21000-21FFF - 22000-22FFF - 23000-23FFF - 24000-24FFF - 25000-25FFF - 　　26000-26FFF - 27000-27FFF - 28000-28FFF - 29000-29FFF - 2A000-2AFFF - 2F000-2FFFF

　　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。
/ f6 O+ F* n! v: T
　　什么是codepage?codepage就是各国的文字编码和Unicode之间的映射表。
+ j  F2 l" u7 @
　　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。* U4 e/ t0 d9 F2 F' T# ?- `

　　codepage=936 简体中文GBK

　　codepage=950 繁体中文BIG5
7 O: m; e0 w" w' P0 D0 v1 @
　　codepage=437 美国/加拿大英语" g7 L) l0 X) z# i  A2 y& w

　　codepage=932 日文8 k5 H9 Q+ ?. L. ]1 f+ E. Y- l3 M
& h" f, o# A) r0 L
　　codepage=949 韩文7 {; G! @" D( _! B6 T% O
' a+ T0 V+ j$ v4 {$ o) F: R4 e/ @
　　codepage=866 俄文4 R1 G4 G. i7 d  i+ f' l
. n) r0 z' s! P7 S% c5 V1 E& O4 u) D
　　codepage=65001 unicode UFT-8: _6 b* j% C0 b9 N
. ?( Q% l4 H' W9 i0 h
　　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。% N$ O9 }& K8 h4 o6 L
' k, Z% E! m# p8 L7 ^
　　从936中随意取一行，例如：

　　0x9993 0x6ABD #CJK UNIFIED IDEOGRAPH) Y# ~! `/ p3 t7 l
( e; j5 g$ S6 ~
　　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。( S, N3 j! T4 F. t& w' M+ F: R

　　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?/ Z* v- K* o4 _: W6 M( x" c2 n$ Q1 L
4 {! x; C+ S9 ^* k" g5 I% Q5 E! R
　　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：! g2 i8 U2 d: n2 h

　　E4 BD A0　　　　　　　　11100100 10111101 10100000. n, l. s4 m9 ]3 v

　　这是“你”字的UTF-8编码$ K2 D. r. t0 S4 i/ O7 l7 O3 B

　　4F 60　　　　　　　　　　01001111 01100000
) A2 c1 r& G7 x2 E- o- ^
　　这是“你”的Unicode编码/ o) V, S1 z% e8 Y

　　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。4 [. H$ {3 ~9 ^/ b/ {
5 N2 C0 R: g2 g
　　以下是Unicode和UTF-8之间的转换关系表：
0 S" b# Y' g) e/ A2 U
　　U-00000000 - U-0000007F: 0xxxxxxx
  \$ ~  N3 P; A  H
　　U-00000080 - U-000007FF: 110xxxxx 10xxxxxx

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

　　U-00010000 - U-001FFFFF: 11110xxx 10xxxxxx 10xxxxxx 10xxxxxx
( w0 A9 G' }/ Z) e  Q" w' W
　　U-00200000 - U-03FFFFFF: 111110xx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx

　　U-04000000 - U-7FFFFFFF: 1111110x 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx% d  C1 R) v% R+ X3 d. a5 x

　　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]