常用字符集编码简介

转自：http://blog.sina.com.cn/s/blog_5d8cc64101017vzs.html

一. 字符集
1. 常用字符集分类
ASCII及其扩展字符集
作用：英语及西欧语言。
位数：ASCII是用低7位（b7默认为0）表示，能表示128个字符；其扩展使用8位表示，表示256个字符。
范围：ASCII从00到7F，扩展从00到FF。
ISO-8859-1(1~16)字符集
作用：扩展ASCII，表示西欧、希腊语等。
位数：8位。
范围：从00到FF，兼容ASCII字符集。
GB2312字符集  
作用：国家简体中文字符集，兼容ASCII。
位数：使用2个字节表示，能表示7445个符号，包括6763个汉字，涵盖所有常用汉字。
范围：高字节从A1到F7, 低字节从A1到FE。

BIG5字符集
作用：统一繁体字编码。
位数：使用2个字节表示，总计13053个汉字。
范围：高字节从A1到F9，低字节从40到7E，A1到FE。

SJIS字符集
作用：日文字符编码。
位数：使用2个字节表示，总计7724个字符。
范围：高字节从81到9F,E0到FC，低字节从40到7E，80到FC。

EUC-KR字符集

作用：韩文字符编码。
位数：使用2个字节表示，总结17048个字符
范围：高字节从81到FD，低字节从40到7E，80到FE。

GBK字符集

作用：它是GB2312的扩展，加入对繁体字的支持，兼容GB2312。
位数：使用2个字节表示，可表示21886个字符。
范围：高字节从81到FE，低字节从40到FE （7F除外）。
GB18030字符集
作用：它解决了中文、日文、朝鲜语等的编码，兼容GBK。
位数：它采用变字节表示(1ASCII，2，4字节)。可表示27484个文字。
范围：1字节从00到7F;2字节高字节从81到FE，低字节从40到7E和80到FE；4字节第一三字节从81到FE，第二四字节从30到39。
UCS字符集
作用：国际标准 ISO10646 定义了通用字符集 (Universal CharacterSet)。它是与UNICODE同类的组织，UCS-2和UNICODE兼容。
位数：它有UCS-2和UCS-4两种格式，分别是2字节和4字节。
范围：目前，UCS-4只是在UCS-2前面加了0×0000。
UNICODE字符集
作用：为世界650种语言进行统一编码，兼容ISO-8859-1。
位数：UNICODE字符集有多个编码方式，分别是UTF-8，UTF-16和UTF-32。

2. 按所表示的文字分类

语言                                 字符集                                     正式名称
英语、西欧语                 ASCII，ISO-8859-1                MBCS多字节（也可说本地字符集或内码）
简体中文                      GB2312                            MBCS 多字节（也可说本地字符集或内码） 
繁体中文                      BIG5                               MBCS 多字节（也可说本地字符集或内码） 
简繁中文                      GBK                                MBCS 多字节（也可说本地字符集或内码）  
中文、日文及朝鲜语           GB18030                          MBCS多字节（也可说本地字符集或内码）  
多国语言合集                 UNICODE，UCS                  DBCS 宽字节（统一码）

3. 参考代码

longGetPosWithMbcs(UINT code, UINT codepage)

{

long lIdx =-1;

BYTE R = (code>> 8) & 0xFF;  //区码

BYTE C = code& 0xFF;   //位码

switch(codepage)

{

case CP932:  // 日文 （SJIS)

if(R>= 0x81 && R<= 0x9F)

{

if(C>= 0x40 && C<= 0x7E)

lIdx =(R-0x81)*188 + (C-0x40);  //188 =(0x7E-0x40+1)+(0xFC-0x80+1);

else if(C>= 0x80 && C<= 0xFC)

lIdx =(R-0x81)*188 + (C-0x80)+63;  // 63 =0x7E-0x40+1;

}

else if(R>= 0xE0 && R<= 0xFC)

{

if(C>= 0x40 && C<= 0x7E)

lIdx = 5828 +(R-0xE0)*188 + (C-0x40);  // 5828 = 188 *(0x9F-0x81+1);

else if(C>= 0x80 && C<= 0xFC)

lIdx = 5828 +(R-0xE0)*188 + (C-0x80)+63;

}

break;

case CP936: // 简中

if( IsGbk（）) //GBK 

{

#if （0） // 省空间

if(R>=0x81&& R<=0xA0) // section1  " 6080 = (0xa0 -0x81 + 1) * 190 "

{

if(C>= 0x40 && C<= 0xFE)

{

lIdx =(R-0x81)*190 + (C-0x40);  // 190 =(0x7E-0x40+1)+(0xFE-0x80+1)

if(C>= 0x80)

lIdx -= 1;  // move 0x7F

}

}

elseif(R>=0xA1 &&R<=0xA9)  // section2 " 846 = (0xa9- 0xa1 + 1) * 94 "

{

if(C>=0xa1&&C<=0xfe)

lIdx = 6080 +(R - 0xa1)*94 + (C - 0xa1);  // 94 = (0xfe - 0xa1+ 1)

}

else if(R>= 0xAA && R<= 0xAF)  // section3 " 582 = (0xaf- 0xaa + 1) * 97 "

{

if(C>=0x40&&C<=0xA0)

{

// 6926 = 1080+ 846, 97 = (0xa0 - 0x40 +1)

lIdx = 6926 +(R - 0xaa + 1) * 97 + (C -0x40); 

if(C>= 0x80)

lIdx -= 1;  // move 0x7F

}

}

else if(R>= 0xB0 && R<= 0xF7) // section4  " 13680 =(0xF7 - 0xB0 + 1) * 190 "

{

if(C>= 0x40 && C<= 0xFE)

{

lIdx = 7508 +(R - 0xB0 + 1) * 190 + (C - 0x40); // 7508 = 6926 +582

if(C>= 0x80)

lIdx -= 1;  // move 0x7F

}

}

else if(R>= 0xF8 && R<= 0xFE) // section5  " 421 = (0xFE- 0xF8 + 1) * 97"

{

if(C>=0x40&&C<=0xA0)

{

// 21188 = 7508 +13680, 97 = (0xa0 - 0x40 + 1)

lIdx = 21188 +(R - 0xF8 + 1) * 97 + (C -0x40); 

}

}

#else  // 省时间

if(R>= 0x81 && R<= 0xFE)

{

if(C>= 0x40 && C<= 0xFE)   // 0x40 ~ 0x7E& 0x80 ~ 0xFE

{

lIdx =(R-0x81)*190 + (C-0x40);  //190 =(0x7E-0x40+1)+(0xFE-0x80+1);

if(C>= 0x80)

lIdx -= 1;  // move 0x7F

}

}

#endif

}

else // GB2312

{

if((R>= 0xA1 && R<= 0xFE) && (C>= 0xA1 && C<= 0xFE))

lIdx =(R-0xa1)*94 + (C-0xa1);  //94 =(0xFE-0xA1+1); 

}

break;

case CP949: // 韩文 （EUC-KR）

if(R>= 0x81)

{

if(C>= 0x41 && C<= 0x7E)

lIdx =((R-0x81) * 188 + (C - 0x41));   // 188 =(0x7E-0x41+1)+(0xFE-0x81+1);

else if(C>= 0x81 && C<= 0xFE)

lIdx =((R-0x81) * 188 + (C - 0x81) + 62);  // 62 =(0x7E-0x41+1);

}

break;

case CP950: // 繁体 （BIG-5)

if(R>= 0xA1 && R<= 0xF9) 

{

if(C>= 0x40 && C<= 0x7E)

lIdx =((R-0xa1)*157+(C-0x40));   // 157 =(0x7E-0x40+1)+(0xFE-0xA1+1);

else if(C>= 0xA1 && C<= 0xFE)

lIdx =((R-0xa1)*157+(C-0xa1)+63);  // 63 =(0x7E-0x40+1);

}

break;

default:

break;

}

returnlIdx;

}

 

二. 编码

  编码一般分为 “内码” 和“unicode”。

  上述讲到的所有多字节（MBCS）字符集都是指的内码，对应大家来说，应该不会太陌生，今天在此主要讲Unicode。

UTF-8：采用变长字节 (1ASCII, 2 希腊字母, 3 汉字, 4 平面符号) 表示，网络传输,即使错了一个字节，不影响其他字节，而双字节只要一个错了，其他也错了，具体如下：
如果只有一个字节则其最高二进制位为0；如果是多字节，其第一个字节从最高位开始，连续的二进制位值为1的个数决定了其编码的字节数，其余各字节均以10开头。UTF-8最多可用到6个字节。

UTF-16：采用2字节，Unicode中不同部分的字符都同样基于现有的标准。这是为了便于转换。从0×0000到0×007F是ASCII字符，从0×0080到0×00FF是ISO-8859-1对ASCII的扩展。希腊字母表使用从0×0370到0×03FF的代码，斯拉夫语使用从0×0400到0×04FF的代码，美国使用从0×0530到0×058F的代码，希伯来语使用从0×0590到0×05FF的代码。中国、日本和韩国的象形文字（总称为CJK）占用了从0×3000到0×9FFF的代码；由于0×00在c语言及操作系统文件名等中有特殊意义，故很多情况下需要UTF-8编码保存文本，去掉这个0×00。举例如下：
UTF-16: 0×0080  = 0000 0000 1000 0000
UTF-8:   0xC280 = 1100 0010 10000000

UTF-32：采用4字节。

优缺点
UTF-8、UTF-16和UTF-32都可以表示有效编码空间(U+000000-U+10FFFF) 内的所有Unicode字符。
使用UTF-8编码时ASCII字符只占1个字节，存储效率比较高，适用于拉丁字符较多的场合以节省空间。
对于大多数非拉丁字符（如中文和日文）来说，UTF-16所需存储空间最小，每个字符只占2个字节。
WindowsNT内核是Unicode（UTF-16），采用UTF-16编码在调用系统API时无需转换，处理速度也比较快。
采用UTF-16和UTF-32会有Big Endian和LittleEndian之分，而UTF-8则没有字节顺序问题，所以UTF-8适合传输和通信。
UTF-32采用4字节编码，一方面处理速度比较快，但另一方面也浪费了大量空间，影响传输速度，故很少使用。

三. 如何识别文件编码类型？
1. 字节序
首先说一下字节序对编码的影响，字节序分为Big Endian字节序和LittleEndian字节序。不同的处理器可能不一样。所以，传输时需要告诉处理器当时的编码字节序。对于前者而言，高位字节存在低地址，低字节存于高地址；后者相反。

例如: 0x50A4            

2. 编码识别 (BOM)

UNICODE，根据前几个字节可以判断UNICODE字符集的各种编码，叫做ByteOrder Mask方法BOM：
UTF-8: EFBBBF(符合UTF-8格式，请看上面。但没有含义在UCS即UNICODE中)
UTF-16 Big Endian：FEFF(没有含义在UCS-2中)
UTF-16 Little Endian：FFFE(没有含义在UCS-2中)
UTF-32 Big Endian：0000FEFF(没有含义在UCS-4中)
UTF-32 Little Endian：FFFE0000(没有含义在UCS-4中)

GB2312：高字节和低字节的第1位都是1。

BIG5，GBK&GB18030：高字节的第1位为1。操作系统有默认的编码，常为GBK，可以下载别的并升级。通过判断高字节的第1位从而知道是ASCII或者汉字编码。