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：. E/ F2 r. e* z- r# c+ k

　　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。
7 O6 x' N9 ~. c, y3 h( f! ~8 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。1 h2 Q1 P( k- ~4 ~3 ~
/ v5 B8 z8 _/ t; V: Z
　　2、台湾，香港等地使用的是BIG5编码
7 W. K" }- P6 }- O1 o+ Q: r9 A
　　3、日本：SJIS编码
! q% s1 x4 }  J' u+ |* ?# M! 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。4 o( {. b3 g6 M9 e/ q! h2 G1 [; u

　　Unicode的学名是"Universal Multiple-Octet Coded Character Set"，简称为UCS。) e' C% j4 j* x/ P
5 v- G3 ~: l2 S5 }. ]& ^; G  Z
　　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" N  R: i: F) |$ k, W$ F
2 ]+ G% g" n6 W; H$ F* a  G
　　20000-20FFF - 21000-21FFF - 22000-22FFF - 23000-23FFF - 24000-24FFF - 25000-25FFF - 　　26000-26FFF - 27000-27FFF - 28000-28FFF - 29000-29FFF - 2A000-2AFFF - 2F000-2FFFF8 {1 R7 X1 k4 e" K8 \

　　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。
8 i: X% [5 n# R& e4 Y
　　什么是codepage?codepage就是各国的文字编码和Unicode之间的映射表。
" B1 D+ B( D6 h! c+ U( W
　　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 r. z7 r; l. i$ o

　　codepage=936 简体中文GBK

　　codepage=950 繁体中文BIG5/ |5 `4 t' Z. h  U, ]: N
0 {& l9 v& |6 h: q2 E: _
　　codepage=437 美国/加拿大英语

　　codepage=932 日文

　　codepage=949 韩文7 S8 q+ m' H- D4 T) z

　　codepage=866 俄文( C6 q$ C) X" I' \
3 B, ]8 e6 W& e  P8 Q! p# ~
　　codepage=65001 unicode UFT-8
6 F3 g+ n  f  ?0 i0 Q/ I
　　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。. g* w7 ]+ Q3 ?! P0 s( l4 s6 W
# @6 @  u  P& W: S3 s& _7 j" i
　　从936中随意取一行，例如：# P) g' _+ N% r  ?% }7 V
! Q; ?! _+ Z! }# f: e
　　0x9993 0x6ABD #CJK UNIFIED IDEOGRAPH- j3 T+ ~0 K5 l* R6 ?6 f; Y
4 [* V8 l2 _2 T
　　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。) y! z+ A6 M) x- O1 @1 Y  z
9 G! s# K! [- I* ^. u5 l
　　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?
7 X; j" }" W: G% t
　　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：1 _) y5 \) X; Y8 l5 q  `: ]
6 o- x! q1 N6 y
　　E4 BD A0　　　　　　　　11100100 10111101 10100000

　　这是“你”字的UTF-8编码
7 ^3 d! ~# z7 h9 b( r# X7 {9 `5 z
　　4F 60　　　　　　　　　　01001111 01100000& @0 g3 v/ u$ z0 h  b' E

　　这是“你”的Unicode编码

　　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。
, J! E, }, u5 p$ }3 m
　　以下是Unicode和UTF-8之间的转换关系表：  d8 ~% v, a5 W8 M
  }  b9 H& C9 @: G: Y
　　U-00000000 - U-0000007F: 0xxxxxxx
1 g& a8 P( J7 E: o. l4 x' g! K3 n9 {
　　U-00000080 - U-000007FF: 110xxxxx 10xxxxxx2 P1 s$ `" Z% ^% y  A! f$ X
1 E# G! M: u: {: R
　　U-00000800 - U-0000FFFF: 1110xxxx 10xxxxxx 10xxxxxx
! a* y: d* i( _. N+ F% F
　　U-00010000 - U-001FFFFF: 11110xxx 10xxxxxx 10xxxxxx 10xxxxxx* z! n+ f5 z  N3 ~3 a# i
& J! x  [: C2 }# w$ S/ j
　　U-00200000 - U-03FFFFFF: 111110xx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx

　　U-04000000 - U-7FFFFFFF: 1111110x 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx  _( F- k. K, M/ |
/ \, |; C" j6 M+ J$ 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]