HTML语言：什么是Unicode？什么是UTF-8？ - HTML/CSS教程 - 网页制作

ljjk5

元帅

UID 46706
精华 1
积分 99426
帖子 49690
威望 554
金币 48489
热心 505
阅读权限 100
注册 2007-2-25
状态离线

使用道具

发表于 2007-12-6 16:32 资料个人空间主页短消息加为好友

HTML语言：什么是Unicode？什么是UTF-8？

一直在编码方面要求不是很高，所以对Unicode和UTF-8也不甚了解。　　最近偶然翻到一篇UTF-8的文章，感觉解释的非常繁杂，因此才想到重新写一篇简单易懂一点的。
　　首先说明一下现在常用的一些编码方案：
　　薄⒃谥泄舐阶畛Ｓ玫木褪荊BK18030编码，除此之外还有GBK，GB2312，这几个编码的关系是这样的。
　　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。
　　病⑻ㄍ澹愀鄣鹊厥褂玫氖荁IG5编码
　　场⑷毡荆篠JIS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。
　　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。
　　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。
　　UCS-2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 - 2F000-2FFFF
　　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。
　　什么是codepage？codepage就是各国的文字编码和Unicode之间的映射表。
　　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。
　　codepage=936 简体中文GBK
　　codepage=950 繁体中文BIG5
　　codepage=437 美国/加拿大英语
　　codepage=932 日文
　　codepage=949 韩文
　　codepage=866 俄文
　　codepage=65001 unicode UFT-8
　　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：
　　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。
　　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？
　　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：
　　E4 BD A0　　　　　　　　11100100 10111101 10100000
　　这是“你”字的UTF-8编码
　　4F 60　　　　　　　　　　01001111 01100000
　　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。
　　以下是Unicode和UTF-8之间的转换关系表：
　　U-00000000 - U-0000007F: 0xxxxxxx
　　U-00000080 - U-000007FF: 110xxxxx 10xxxxxx
　　U-00000800 - U-0000FFFF: 1110xxxx 10xxxxxx 10xxxxxx
　　U-00010000 - U-001FFFFF: 11110xxx 10xxxxxx 10xxxxxx 10xxxxxx
　　U-00200000 - U-03FFFFFF: 111110xx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx
　　U-04000000 - U-7FFFFFFF: 1111110x 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx
　　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。

网友 ljjk5 签名 - 网友社区 ===

[广告] 免费域名(Free Subdomain) 免费空间(Free hosting) PR查询(Google Pagerank)

网友生活网 \| 网友学堂	如何获得金币？	诚招斑竹	IP归属地查询 PR查询收录查询 whois查询
免费超短2级域名,your.jpy.cc	传世私服 \| 传奇世界私服	注册亚洲交友中心，找个人来同居吧！	免费存储空间，免费网络硬盘