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：+ n# _+ _, T" J& O
/ h$ [. G% ]8 e: _ 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。. w8 R6 N4 @" W
: w S6 M6 q; v$ 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。
0 |" a5 z% U' m& k" } T8 |" a* J" {/ j* O. ] b% ?- q9 Z
2、台湾，香港等地使用的是BIG5编码
* D4 ^" C' }% P5 O5 ], T* o8 w7 R
4 H/ ?* d0 O6 q& r) h5 D; a 3、**：SJIS编码8 A7 J% f. ~+ C5 |& w( Z5 O: m
+ F2 W: s& A" ^1 }( q2 i 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。+ b. X- j! f& c- T, n) J0 k
. h z# m" ?4 V% {
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。6 D; S1 k1 }" @0 Y2 k$ U
* y, g4 Z* | |$ ^: g Unicode的学名是"Universal Multiple-Octet Coded Character Set"，简称为UCS。
, h' v. _0 Y% `. p5 H- Z; y9 a9 w1 Y- Q+ s8 p8 Z, t
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
7 ? c& B! `3 F8 i8 i$ D: u
* p/ r* V4 y+ C+ ?9 n 20000-20FFF - 21000-21FFF - 22000-22FFF - 23000-23FFF - 24000-24FFF - 25000-25FFF - 26000-26FFF - 27000-27FFF - 28000-28FFF - 29000-29FFF - 2A000-2AFFF - 2F000-2FFFF( N4 y7 ^) e+ g0 I% p
* E; z% P$ @2 a+ R
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。1 b/ {. Y) f2 K+ M
1 }1 ?& U( ~' E9 j! g+ `
什么是codepage?codepage就是各国的文字编码和Unicode之间的映射表。: U/ `# W5 @- M4 M. s
2 t. ]. A J3 u5 u2 \% h. S 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。
$ n( x+ D( L. v3 v; h1 r" |& ~( t: o- ~0 V' _ V7 B/ p
codepage=936 简体中文GBK9 I; n1 _* @: j; `
7 {0 g ?9 ?) f" A
codepage=950 繁体中文BIG5
& d9 m% C$ i* ]0 h; f1 n) P# U: M0 U$ y+ ]; n- C9 p( R* r
codepage=437 美国/加拿大英语3 J4 o! r1 @ \. `6 |0 I0 I6 s
- l4 O6 J& T. ^6 _( j" `5 I
codepage=932 日文
. o+ L B1 u3 T# }9 k
. q! L' h1 z9 T6 Z2 l7 R% Z codepage=949 韩文
8 S+ O2 j3 Z9 {! O
) u. t$ n7 u: ~: j codepage=866 俄文& ~# ]. S6 O& r0 v. \( T
% G% V4 h: R7 T0 k5 L8 C8 Y2 } codepage=65001 unicode UFT-8( @ H: T5 ~3 M# `4 k+ C' U+ M
0 z v/ w" ]! n# B, \
最后一个65001，据个人理解，应该只是一个虚拟的映射表，实际只是一个算法而已。
: Y7 e; ^% l3 U) d" o; ^* }* E, r& z2 \# {* W: p9 _4 ~( q
从936中随意取一行，例如：
. \: S. b( O8 |6 H8 [. L$ O( I1 r2 W7 J8 f1 R( ^! V! d
0x9993 0x6ABD #CJK UNIFIED IDEOGRAPH9 G$ v# b3 A( b- G6 s
- N- w( e. s/ O0 r% `' Y3 z* [% B q 前面的编码是GBK的编码，后面的是Unicode。通过查这张表，就能简单的实现GBK和Unicode之间的转换。: Y7 B. W! D. {' B n$ D4 J' b
% L* A6 p! D! X! A8 b 现在明白了Unicode，那么UTF-8又是什么呢?又为什么会出现UTF-8呢?
) z D' O) X$ `+ R+ \4 S9 z! b: A- ] O4 ^. \3 q9 Y
ASCII转换成UCS-2，只是在编码前插入一个0x0。用这些编码，会包括一些控制符，比如 或 /，这在UNIX和一些C函数中，将会产生严重错误。因此可以肯定，UCS-2不适合作为Unicode的外部编码。因此，才诞生了UTF-8。那么UTF-8是如何编码的?又是如何解决UCS-2的问题呢?
( |3 F" w/ K6 P5 _% ?, u/ f1 e/ |( [9 x4 {
例：5 B3 D/ I* _0 H5 ~
, J2 E1 n% J* f0 G" I& N3 z E4 BD A0 11100100 10111101 10100000- J b% A/ _9 i9 M
% ^, J& T7 B4 |& w0 X4 `9 u
这是“你”字的UTF-8编码
$ d9 u; S$ i! _, D' ]
. {0 T( r2 }7 E: \5 F 4F 60 01001111 011000002 G) ^( i' {! z
1 I5 c7 p- r) o8 x j9 V0 R
这是“你”的Unicode编码: D D' [; P) B2 v/ j3 a
1 b$ C/ O- m& _$ _0 e( c; n$ ~
按照UTF-8的编码规则，分解如下：xxxx0100 xx111101 xx100000，把除了x之外的数字拼接在一起，就变成“你”的Unicode编码了。注意UTF-8的最前面3个1，表示整个UTF-8串是由3个字节构成的。经过UTF-8编码之后，再也不会出现敏感字符了，因为最高位始终为1。" p4 e% Q, o5 M+ [; q/ j% q+ W: |
6 E# c+ G( Z- L( j 以下是Unicode和UTF-8之间的转换关系表：
9 l/ A [! H0 p5 \" t2 G/ W9 y1 K# m2 S5 z, X9 H6 M
U-00000000 - U-0000007F: 0xxxxxxx
4 `: I/ S4 ~$ ^; i
( B& C( w2 _- O( { U-00000080 - U-000007FF: 110xxxxx 10xxxxxx
8 @* D: I( u9 I6 r, P
1 j4 S+ M0 | l- N% i U-00000800 - U-0000FFFF: 1110xxxx 10xxxxxx 10xxxxxx
8 ~* A4 l/ L% C5 @; ]2 M% {' D8 [$ U- M0 d% U% p- P: y# J
U-00010000 - U-001FFFFF: 11110xxx 10xxxxxx 10xxxxxx 10xxxxxx
~! A& ~* x# {$ P0 I; l$ B( ~8 s y( o5 |- n3 b
U-00200000 - U-03FFFFFF: 111110xx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx
/ L: Z, x8 H$ \; B W0 s$ J9 u; x, M, l3 B/ j8 f7 T, p
U-04000000 - U-7FFFFFFF: 1111110x 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx 10xxxxxx
; w9 I9 E# z& \) h' T: S5 _1 {; }9 p' m5 S
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。
