unicode和UTF-8编码

析Unicode和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：  
  　　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　　　　　　　　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。