什么是Unicode,什么是UTF-8
程序员文章站
2024-03-31 16:27:28
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。 ...
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：
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、*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、*，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 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。
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：
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、*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、*，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 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。