Unicode和UTF-8编码的关系.docVIP

首先说明一下现在常用的一些编码方案： 　　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。 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。 　　２、台湾，香港等地使用的是BIG5编码 　　３、日本：SJIS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　　　　　　　10111101这是“你”字的UTF-8编码 4F 60　　　　　　　　　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???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- U-000