什麼是Unicode,什麼是UTF-8

文章轉載自指令碼之家：


一直在編碼方面要求不是很高，所以對Unicode和UTF-8也不甚瞭解。

最近偶然翻到一篇UTF-8的文章，感覺解釋的非常繁雜，因此才想到重新寫一篇簡單易懂一點的。

首先說明一下現在常用的一些編碼方案：

１、在中國，大陸最常用的就是GBK18030編碼，除此之外還有GBK，GB2312，這幾個編碼的關係是這樣的。最早制定的漢字編碼是GB2312，包括6763個漢字和682個其他符號。95年重新修訂了編碼，命名GBK1.0，共收錄了21886個符號。之後又推出了GBK18030編碼，共收錄了27484個漢字，同時還收錄了藏文、蒙文、維吾爾文等主要的少數民族文字，現在WINDOWS平臺必需要支援GBK18030編碼。按照GBK18030、GBK、GB2312的順序，３種編碼是向下相容，同一個漢字在三個編碼方案中是相同的編碼。

２、臺灣，香港等地使用的是BIG5編碼

３、日本：SJIS編碼
如果把各種文字編碼形容為各地的方言，那麼Unicode就是世界各國合作開發的一種語言。在這種語言環境下，不會再有語言的編碼衝突，在同屏下，可以顯示任何語言的內容，這就是Unicode的最大好處。那麼Unicode是如何編碼的呢？其實非常簡單。就是將世界上所有的文字用２個位元組統一進行編碼。可能你會問，２個位元組最多能夠表示65536個編碼，夠用嗎？ 韓國和日本的大部分漢字都是從中國傳播過去的，字型是完全一樣的。比如：“文”字，GBK和SJIS中都是同一個漢字，只是編碼不同而已。那樣，像這樣統一編碼，２個位元組就已經足夠容納世界上所有的語言的大部分文字了。 Unicode的學名是"Universal Multiple-Octet Coded Character Set"，簡稱為UCS。
現在用的是UCS-2，即２個位元組編碼，而UCS-4是為了防止將來２個位元組不夠用才開發的。UCS-2也稱為基本多文種平面。 UCS-2轉換到UCS-4只是簡單的在前面加２個位元組0。 UCS-4則主要用於儲存輔助平面，例如Unicode 4.0中的第二輔助平面

20000-20FFF - 21000-21FFF - 22000-22FFF - 23000-23FFF - 24000-24FFF - 25000-25FFF - 26000-26FFF - 27000-27FFF - 28000-28FFF - 29000-29FFF - 2A000-2AFFF - 2F000-2FFFF

總共增加了16個輔助平面，由原先的65536個編碼擴充套件至將近100萬編碼。那麼既然統一了編碼，如何相容原先各國的文字編碼呢？這個時候就需要codepage了。什麼是codepage？codepage就是各國的文字編碼和Unicode之間的對映表。比如簡體中文和Unicode的對映表就是CP936，點這裡檢視官方的對映表。以下是幾個常用的codepage，相應的修改上面的位址的數字即可。

codepage=936 簡體中文GBK
codepage=950 繁體中文BIG5
codepage=437 美國/加拿大英語
codepage=932 日文
codepage=949 韓文
codepage=866 俄文
codepage=65001 unicode UFT-8

最後一個65001，據個人理解，應該只是一個虛擬的對映表，實際只是一個演演算法而已。從936中隨意取一行，例如： 0x9993 0x6ABD #CJK UNIFIED IDEOGRAPH
前面的編碼是GBK的編碼，後面的是Unicode。透過查這張表，就能簡單的實現GBK和Unicode之間的轉換。

現在明白了Unicode，那麼UTF-8又是什麼呢？又為什麼會出現UTF-8呢？ASCII轉換成UCS-2，只是在編碼前插入一個0x0。用這些編碼，會包括一些控制符，比如 或 /，這在UNIX和一些C函式中，將會產生嚴重錯誤。因此可以肯定，UCS-2不適合作為Unicode的外部編碼。因此，才誕生了UTF-8。那麼UTF-8是如何編碼的？又是如何解決UCS-2的問題呢？

例：
E4 BD A0　　　　　　　　11100100 10111101 10100000
這是“你”字的UTF-8編碼
4F 60　　　　　　　　　　01001111 01100000
這是“你”的Unicode編碼
按照UTF-8的編碼規則，分解如下：xxxx0100 xx111101 xx100000
把除了x之外的數字拼接在一起，就變成“你”的Unicode編碼了。
注意UTF-8的最前面３個1，表示整個UTF-8串是由３個位元組構成的。
經過UTF-8編碼之後，再也不會出現敏感字元了，因為最高位元始終為1。
以下是Unicode和UTF-8之間的轉換關係表：
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編碼轉換到UTF-8,簡單的把Unicode位元組流套到x中就變成UTF-8了。