字符集与编码的区别

最近因为工作需要，需要做关于byte的处理工作，期间遇到了编码问题，于是上网搜了一把，下面这篇文章是我对编码的了解程度写的总结，本人水平有限，还望各位不惜赐教。

 

字符集和编码的区别：字符集是一个字符和数字的对应表;编码是指这些字符对应的数字在计算机中如何保存。

ASCII，GB2312，GBK，GB18030，BIG5这些字符集的字符对应的数字，跟编码的数字是一样的，所以都可以认为他们的名称即代表字符集也代表编码。但是有一个例外，就是unicode字符集，因为各种原因，unicode有3种编码，下面将说明。

 

ASCII

ASCII（American Standard Code for Information Interchange，美国信息互换标准代码）是基于拉丁字母的一套电脑编码系统。它主要用于显示现代英语和其他西欧语言。它是现今最通用的单字节编码系统，并等同于国际标准ISO/IEC 646。(from 百科)

 

GB2312,GBK,GB18030

中国编制的汉字字符集，通过扩展ASCII字符集来实现的，他们包含的汉字数量是GB2312 < GBK < GB18030，这3种字符集除了包含ASCII字符，还包含数学符号、罗马希腊的字母、日文的假名。要注意的是，GB2312和GBK是固定2个字节，但是GB18030跟utf-8一样是变长度的(1-4字节)，并且GB18030还包含中国少数民族的字符。这3种字符集因为各自的编码只有1种，所以通常我们都认为他们的名称即代表字符集也代表编码。在操作系统中，这些编码统称为ANSI编码。

 

unicode

（统一码、万国码、单一码）是一种在计算机上使用的字符编码。它为每种语言中的每个字符设定了统一并且唯一的二进制编码，以满足跨语言、跨平台进行文本转换、处理的要求。unicode的每个字符用2个字节表示其字符映射的标识。比如"码"这个字符，unicode码是0x7801。unicode字符集默认的编码是utf-16，假如你在程序里指定编码是unicode，实际上是使用utf-16。在Java中，用\uxxxx这种格式表示unicode。

 

ANSI编码

unicode和ANSI都是字符代码的一种表示形式。为使计算机支持更多语言，通常使用 0x80~0xFF 范围的 2 个字节来表示 1 个字符。比如：汉字 '中' 在中文操作系统中，使用 [0xD6,0xD0] 这两个字节存储。不同的国家和地区制定了不同的标准，由此产生了 GB2312, BIG5, JIS 等各自的编码标准。这些使用 2 个字节来代表一个字符的各种汉字延伸编码方式，称为 ANSI 编码。在简体中文系统下，ANSI 编码代表 GB2312 编码，在日文操作系统下，ANSI 编码代表 JIS 编码。(from 百科)

 

utf-8编码

utf编码是专为unicode设计的传输格式，比如在网络上传输，你从文件里把内容读到程序里也是传输，都可以用到它。顾名思义，UTF-8就是每次8个位传输数据，而UTF-16就是每次16个位，如此类推，还有个编码是utf-32。unicode字符集默认的编码是utf-16，并且跟unicode字符映射表一一对应，比如上面的"码"字，utf-16也是用0x7801来保存。所以utf-16是固定2个字节的，这让用英文的人很不高兴，本来用1个字节就能搞定的abcd字符，utf-16却要用2个字节来保存。于是utf-8出现了，这是一种可变长度的编码，它的长度范围是1-6字节，ASCII字符仍然用1字节表示，汉字用3个字节表示，比起GB2312,GBK,GB13030等汉字编码多了1个字节，我想这就是很多中文网站仍然用GB编码的原因吧。另外，正确来说utf-8最多是4字节(1 ASCII, 2 希腊字母, 3 汉字, 4 平面符号)，因为后面2个字节在unicode里还没定义任何字符。

utf-8,utf-16,utf-32是unicode准备的3套编码方案，最常用的是utf-8。

 

因此，我们编程中只要使用编码就行了，但是字符集这个概念我们同样需要了解。

 

 

参考文章：

说说字符集和编码

Java的中文处理学习笔记：Hello Unicode

关于unicode，mbcs，utf8，charset，encoding等相关概念的说明

字符集与编码[下]

字符集与编码