查看完整版本: HTML语言:什么是Unicode 什么是UTF-8

迷失的亲 2007-10-28 08:51

HTML语言:什么是Unicode 什么是UTF-8

　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：;m*t#g*gX%MoL#YF

J"M9z4Kb 　　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。
UC'k'nFq7Yn tA"`E 9[)])C@(c
　　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。@ ^#Fz:L-??
w3p+|1Ajyz
　　2、台湾，香港等地使用的是BIG5编码
3I JJ!m#}s.`
Lb9ks$eSV Hf Q 　　3、**：SJIS编码
!}BJ1H*iW#] hF!dg A*HOq+J,E
　　如果把各种文字编码形容为各地的方言，那么Unicode就是世界各国合作开发的一种语言。
:{zz ly(Fpr ,B1}7I{d(P y
　　在这种语言环境下，不会再有语言的编码冲突，在同屏下，可以显示任何语言的内容，这就是Unicode的最大好处。那么Unicode是如何编码的呢?其实非常简单。就是将世界上所有的文字用2个字节统一进行编码。可能你会问，2个字节最多能够表示65536个编码，够用吗?韩国和**的大部分汉字都是从中国传播过去的，字型是完全一样的。　　比如：“文”字，GBK和SJIS中都是同一个汉字，只是编码不同而已。那样，像这样统一编码，2个字节就已经足够容纳世界上所有的语言的大部分文字了。
riP `^;s7SG #\2u!ex'M"Nd
　　Unicode的学名是"Universal Multiple-Octet Coded Character Set"，简称为UCS。
,w"Oip2k$O2z s!H7}7@PE3_3\
　　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
]#`mv&{H 9cHMt.q1@ o\J
　　20000-20FFF - 21000-21FFF - 22000-22FFF - 23000-23FFF - 24000-24FFF - 25000-25FFF - 　　26000-26FFF - 27000-27FFF - 28000-28FFF - 29000-29FFF - 2A000-2AFFF - 2F000-2FFFF e A9{V'b%M+u J `
7Ic4W,o{4O0j.np\
　　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。
m'FWCu,Uqc0z+V
A7Tb2J(F,K9LNh 　　什么是codepage?codepage就是各国的文字编码和Unicode之间的映射表。,P4X/Bhx D/RM

v#Q%gL k|H1[ 　　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。
5K-JK rB)NA 9W)[/E BH x9Zg.j`
　　codepage=936 简体中文GBK
8oy%P8s"a?
)}_R L6jM4cT,e H 　　codepage=950 繁体中文BIG5 a(d&{&X7T*Y'M.C
[*R9f,E1ke
　　codepage=437 美国/加拿大英语hy3z8d*hoG
Wgh8?tRrU9a-@
　　codepage=932 日文
:K%FC7y|:v3jY} .f%s q7a y3a
　　codepage=949 韩文
!Z9\Tx w4] s
)].q1H ],`*g[ 　　codepage=866 俄文
EZ(k iP#{
0VWe0Oq"Wf 　　codepage=65001 unicode UFT-8/RSv|B_4jG/Y
[B+`1b xq1^.M
　　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。
t5wm2m*v
["i7i~:mIl S] 　　从936中随意取一行，例如：'NO-@B&o9i
g^*~(i7Ej z
　　0x9993 0x6ABD #CJK UNIFIED IDEOGRAPH
ROjkNMOr5MV
e e5GHNMT#``1x _ 　　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。
#[l4_L0E7uzHi g%xE:a|R.Z
　　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?sz{6h,Fx;Z

(gYp1a1gC2@W 　　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?c+`p}:xZ:p-H{
SeZ*f,]&?g)rO
　　例： pC!EHPXs@X(?

*o2A5t,iXW h 　　E4 BD A0　　　　　　　　11100100 10111101 10100000
P5k\,B$}w| d:E1RE'{
　　这是“你”字的UTF-8编码
;D ej|jBq)_0SU 2FE[9[)t)L
　　4F 60　　　　　　　　　　01001111 01100000
.uK!G+A,M[j 2r }~i+^ P/HUG9aX
　　这是“你”的Unicode编码
-fK wd[Z"\#u J?9U@ ,Xd0k]"Zrp
　　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。
,sy7x%n#g{&y Qg4I
arzM&e i 　　以下是Unicode和UTF-8之间的转换关系表：
+d xml!eg F6F0[ os3jc
　　U-00000000 - U-0000007F: 0xxxxxxx
}qxk/})h%x ? gy0ZM kDaIm
　　U-00000080 - U-000007FF: 110xxxxx 10xxxxxx
(N4a ]IF#H1D3c q
{BB;M[R&v 　　U-00000800 - U-0000FFFF: 1110xxxx 10xxxxxx 10xxxxxx
x~E gk[
J_5~-F+sQR 　　U-00010000 - U-001FFFFF: 11110xxx 10xxxxxx 10xxxxxx 10xxxxxxH8gHZe mPJ"d;@
8Up[w/l PqCl
　　U-00200000 - U-03FFFFFF: 111110xx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx0|0kg u"U;?(`:z

gX d]U0Va/S 　　U-04000000 - U-7FFFFFFF: 1111110x 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx
o6iT j1F*UP:bxC
t$L2oF,v @ l 　　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。
页: [1]
查看完整版本: HTML语言:什么是Unicode 什么是UTF-8