字符编码前世今生详解，从此与“乱码”说再见！

    大家在做web开发的时候是不是经常被乱码问题所困扰？做运维的DBA，oracle数据库使用ogg时也出现过“乱码”问题吧？这的确是个让人头痛的问题，有时候调整一下字符集就解决了，有时候又出现了，本人也在开发和运维工作中遇到过多次“乱码”问题，一直懵懵懂懂，知其然不知其所以然，最近终于下定决心好好的学下字符编码，小有成果，分享给大家，如有不足之处还请多多指正，共同进步！

   那么什么是字符编码呢？这里我们将它拆分开，1、字符集   2、编码。

   字符集： 是一个系统支持的所有抽象字符的集合。字符是各种文字和符号的总称，包括各国家文字、标点符号、图形符号、数字等。
   字符编码：是一套法则，使用该法则能够对自然语言的字符的一个集合（如字母表或音节表），与其他东西的一个集合（如号码或电脉冲）进行配对。即在符号集合与数字系统之间建立对应关系，它是信息处理的一项基本技术。通常人们用符号集合（一般情况下就是文字）来表达信息。而以计算机为基础的信息处理系统则是利用元件（硬件）不同状态的组合来存储和处理信息的。元件不同状态的组合能代表数字系统的数字，因此字符编码就是将符号转换为计算机可以接受的数字系统的数，称为数字代码。

      以上为官方解释，字符集大家好理解，字符编码是不是看晕了？我说说我通俗的理解：字符编码就是把我们所有人类创建的字符，比如：“数字、字母、文字、特殊符号等”让计算机认识并且能存取，可是计算机大家都知道只认识二进制0和1，所以说需要进行编码，也就是通过约定好的一种方式将字符转化为0和1的组合保存在计算机中，目前编码方式全世界有多种多样，后面会介绍，而从计算机中取出这些字符时就需要解码，当然也是通过与编码时相同的规则取数据，如果存数和取数的编码方式不对，就会出现牛头不对马嘴或者是鸟文“*&@930*@#*7284”，呵呵，好理解吧！
     再举个例子，抗战时期，我军与日寇都需要电台，以便于发送电报给友军及时汇报战况或消息，而那个年代科技并不发达无限电台频道数量有限，有时候不得不公用一个频道发电报，这就出现了一个问题，电报内容被窃取了怎么办？所以就发明了密码本，根据己方的密码本再翻译电台里发送来的信息，就拿到了战报，而敌人则无法破解。在这里密码本就相当于我们现在说的编码规则，写入数据是按照指定的编码规则写的，则取数时就要按照约定好的编码规则取，否则就要取到“乱码”；那么，现在又不需要保密，为什么不全世界公用一种编码规则呢？ 别急，下面我仔细介绍下各个编码规则

1、追溯——ASCII编码
    首先，发明计算机的人最开始肯定没想到计算机会应用的这么广泛！在目前我们大多数计算机中都是ASCII编码，通俗的解释ASCII码，就是键盘！你的键盘上这些字母数字回车特殊符号等都属于ASCII码，他可以基本上表示通用英语，可能发明计算机的人觉得这些已经足够了，于是设计了一个编码规则，规定：ASCII编码由8位表示一个字符，也就是：0000000——11111111，大小范围限定好了，然后指定了一套规则，如下:
                                
    呵呵，后面还有一张ASCII编码拓展图，我就不贴上去了，看着烦，哈哈~  其实，没什么卵用大家平时工作也不需要关心具体编码规则怎么实现的，需要记住的是：ASCII编码是远远满足不了人类需求的，因为8位的大小并不足以表达这个美好的世界上的所有事物，比如说一个我大天朝的30划的汉字。。。在这个背景下，各种的编码规则应运而生~~~~以我大天朝为例，就有GB2312。GB2312或GB2312-80、GBK各种编码规则和字符集，像天朝一样，当计算机传到世界各个国家时，为了适合当地语言和字符，设计和实现类似GB232/GBK/GB18030/BIG5的编码方案。这样各搞一套，在本地使用没有问题，一旦出现在网络中，由于不兼容，互相访问就出现了乱码现象。在这种环境下，伟大的unicode诞生了

2、unicode编码/字符集
    为了使国际间信息交流更加方便，国际组织制定了 UNICODE 字符集，为各种语言中的每一个字符设定了统一并且唯一的数字编号，以满足跨语言、跨平台进行文本转换、处理的要求。 在 UNICODE 被采用之后，计算机存放字符串时，改为存放每个字符在 UNICODE 字符集中的序号。目前计算机一般使用 2 个字节（16 位）来存放一个序号（DBCS,Double Byte Character System），因此，这种方式存放的字符也被称作宽字节字符。比如，字符串 "中文123" 在 Windows 2000 下，内存中实际存放的是 5 个序号，一共10个字节。 Unicode字符集包含了各种语言中使用到的所有“字符”。用来给 UNICODE 字符集编码的标准有很多种，比如：UTF-8, UTF-7, UTF-16, UnicodeLittle, UnicodeBig 等。

3、UTF-8编码
  终于字符集统一了，那我介绍一下应用最广泛的UTF-8编码方式：

UCS-2编码(16进制)   UTF-8 字节流(二进制)

0000 - 007F         0xxxxxxx

0080 - 07FF         110xxxxx 10xxxxxx

0800 - FFFF         1110xxxx 10xxxxxx 10xxxxxx 

例如“汉”字的Unicode编码是6C49。6C49在0800-FFFF之间，所以肯定要用3字节模板了：1110xxxx 10xxxxxx 10xxxxxx。将6C49写成二进制是：0110 110001 001001，用这个比特流依次代替模板中的x，得到：11100110 10110001 10001001，即E6 B1 89。

可见UTF-8是变长的，将Unicode编码为00000000-0000007F的字符，用单个字节来表示； 00000080-000007FF的字符用两个字节表示；00000800-0000FFFF的字符用3字节表示。因为目前为止Unicode-16规范没有指定FFFF以上的字符，所以UTF-8最多是使用3个字节来表示一个字符。但理论上来说，UTF-8最多需要用6字节表示一个字符。，UTF-8兼容ASCII。
总结来说：采用UTF-8编码方式，汉字占24位也就是3字节，字母数字特殊符号占8位也就是1字节。UTF-8国际通用，你要不想你的网站在国外访问时全是乱码的话，那就采用UTF-8编码吧，哈哈

4、 GB2312、GBK和GB18030 编码
   在我大天朝的网站中，使用GBK编码的还是大有人在，

（1）GB2312 

    当中国人们得到计算机时，已经没有可以利用的字节状态来表示汉字，况且有6000多个常用汉字需要保存，于是想到把那些ASCII码中127号之后的奇异符号们直接取消掉, 规定：一个小于127的字符的意义与原来相同，但两个大于127的字符连在一起时，就表示一个汉字，前面的一个字节（称之为高字节）从0xA1用到0xF7，后面一个字节（低字节）从0xA1到0xFE，这样我们就可以组合出大约7000多个简体汉字了。在这些编码里，我们还把数学符号、罗马希腊的字母、日文的假名们都编进去了，连在 ASCII 里本来就有的数字、标点、字母都统统重新编了两个字节长的编码，这就是常说的"全角"字符，而原来在127号以下的那些就叫"半角"字符了。这种汉字方案叫做 "GB2312"。GB2312 是对 ASCII 的中文扩展。兼容ASCII。

（2）GBK 

   但是中国的汉字太多了，我们很快就就发现有许多人的人名没有办法在这里打出来，不得不继续把 GB2312 没有用到的码位找出来用上。后来还是不够用，于是干脆不再要求低字节一定是127号之后的内码，只要第一个字节是大于127就固定表示这是一个汉字的开始，不管后面跟的是不是扩展字符集里的内容。结果扩展之后的编码方案被称为 “GBK” 标准，GBK 包括了 GB2312 的所有内容，同时又增加了近20000个新的汉字（包括繁体字）和符号。

 （3）GB18030 

   后来少数民族也要用电脑了，于是我们再扩展，又加了几千个新的少数民族的字，GBK 扩成了 GB18030。从此之后，中华民族的文化就可以在计算机时代中传承了。 

总结来说：采用GBK编码方式，汉字和字母都是占24位2字节，如果你的网站只在国内使用并且汉字很多的情况下可以考虑使用GBK编码，可以节省存储空间；其他编码方式也很多，就不一一介绍了

来自 “ ITPUB博客 ” ，链接：http://blog.itpub.net/29018063/viewspace-2072599/，如需转载，请注明出处，否则将追究法律责任。

转载于:http://blog.itpub.net/29018063/viewspace-2072599/