处理平台:linux
1. 中文编码
中文字符常见的编码方式有:gb2312, gbk, gb18030和utf-8。这些都是内码,即字符存储在计算机中的编码方式。
gb2312编码由国家标准总局于1980制定,共收录6763个汉字,其中一级汉字3755个,二级汉字3008个;同时收录了包括拉丁字母、希腊字母、日文平假名及片假名字母、俄西里尔字母在内的682个字符。在gb2312编码下,汉字占2个字节,英文字母占一个字节。(参考:http://zh.wikipedia.org/wiki/GB_2312)
gbk为gb2312的扩展,来源于微软的cp936编码(两者可视为等同),于1995年被国家确定为汉字编码规范,共收录有21886个符号,完全兼容gb2312的所有字符。但与gb2312相比,收录了更多的简体字,并支持繁体字。在gbk编码下,汉字占2个字节,英文字母占一个字节。(参考:http://zh.wikipedia.org/wiki/GBK)
gb18030为国家于2005年制定的中文编码标准,与gb2312完全兼容,与gbk基本兼容,支持Unicode的全部统一汉字,共收录汉字70244个。采用多字节编码,每个字可以由1个、2个或4个字节组成。(参考:http://zh.wikipedia.org/wiki/GB_18030)
utf-8为unicode编码的实现方式之一(其他的实现方式还有utf-16, utf-32)。utf-8是一种变长的编码,占1-4个字节,但中文下最多只用到3个字节,其中汉字占3个字节。虽然gb18030是最新的中文编码标准,但是现在貌似用的并不多。而gb2312由于支持的字符太少,现在已较少被使用。所以,中文编码一般选用utf-8和gbk,而utf-8通常是首选。
利用相关命令,可以直接查看字符编码,如在编码方式为utf-8的文件1.txt中存储一行文字:“专业”
通过命令hexdump可以看到:汉字”专“的utf-8编码为e4b893,而”业“的utf-8编码为e4b89a(0a为换行符编码)