字符编码

本文改编自新浪雪儿浅浅的博客，虽然算不上原创，但是也应该算不上转载。

1.ASCII(American Standard Code for Information Interchange)

美国信息交换标准代码

计算机上最早使用的通用的编码方案。那个时候计算机还只是拉丁文字的专利，根本没有想到现在计算机的发展势头，如果想到了，可能一开始就会使用unicode了。当时绝大部分专家都认为，要用计算机，必须熟练掌握英文。

这种编码占用7个Bit，在计算机中占用一个字节，8位，最高位没用，通讯的时候有时用作奇偶校验位。因此ASCII编码的取值范围实际上是：0x00-0x7f,只能表示128个字符。

后来发现128个不太够用，做了扩展，叫做ASCII扩展编码，用足八位，取值范围变成：0x00-0xff,能表示256个字符。其实这种扩展意义不大，因为256个字符表示一些非拉丁文字远远不够，但是表示拉丁文字，又用不完。所以扩展的意义还是为了下面的ANSI编码服务。

---

2. ANSI（American National Standard Institite ）

美国国家标准协会

每个国家（非拉丁语系国家）自己制定自己的文字的编码规则，并得到了ANSI认可，符合ANSI的标准，在全世界范围表示对应国家文字的时候都通用这种编码就叫ANSI编码。

换句话说，中国的ANSI编码和在日本的ANSI的意思是不一样的，因为都代表自己国家的文字编码标准。比如中国的ANSI对应就是GB2312标准，日本就是JIT标准，香港，台湾对应的是BIG5标准等等。

微软从95开始，自己有一个标准GBK。GB2312里面只有6763个汉字，682个符号，有时候不是很够用。GBK一直能和GB2312相互混淆并且相安无事的一个重要原因是GBK全面兼容GB2312。

ANSI的标准是:
1.ASCII码在任何ANSI中应该都是相同的。
2.其他的，自己扩展。

GB2312

中国人把ASCII码变成8位，0x7f之前不动，从0xa0开始编。但0xa0到0xff才95个码位，不够用。因此，用两个字节，编码范围从0xA1A1 - 0xFEFE。这个范围可以表示23901个汉字。

GBK

GBK编码范围是从0x8140 - 0xFEFE,可以表示3万多个汉字。可以看出，这两种方案，都能保证汉字头一个字节在0x7f以上，从而和ASCII不会发生冲突。能够实现英文和汉字同时显示。

BIG5

香港和台湾用的比较多，繁体，范围： 0xA140 - 0xF9FE, 0xA1A1 - 0xF9FE，每个字由两个字节组成，其第一字节编码范围为0xA1~0xF9，第二字节编码范围为0x40-0x7E与0xA1-0xFE，总计收入13868个字 (包括5401个常用字、7652 个次常用字、7个扩充字、以及808个各式符号)。

那么到底ANSI是多少位呢？这个不一定！比如在GB2312和GBK，BIG5中，是两位！但是其他标准或者其他语言如果不够用，就完全可能不止两位！

例如：GB18030:GB18030-2000(GBK2K)在GBK的基础上进一步扩展了汉字，增加了藏、蒙等少数民族的字形。GBK2K从根本上解决了字位不够，字形不足的问题。它有几个特点：它并没有确定所有的字形，只是规定了编码范围，留待以后扩充。编码是变长的，其二字节部分与GBK兼容；四字节部分是扩充的字形、字位，其编码范围是首字节0x81-0xfe、二字节0x30-0x39、三字节0x81-0xfe、四字节0x30-0x39。它的推广是分阶段的，首先要求实现的是能够完全映射到Unicode3.0标准的所有字形。它是国家标准，是强制性的。

ANSI有个致命的缺陷，就是每个标准不保证能兼容。换句话说，要同时显示中文和日本文或者阿拉伯文，就完全可能会出现一个编码两个字符集里面都有对应，不知道该显示哪一个的问题，也就是编码重叠的问题。显然这样的方案不好，所以Unicode才会出现！

---

Unicode(Universal Code)

万国表

以前有个codeepage（代码页），最早来自IBM，后来被微软，oracle ,SAP等广泛采用。治标不治本的可以统一使用ANSI的各个字符集了。
这个编码方案包含全世界所有文字的一个编码表，不管用的上，用不上，现在用的，以前用过的，只要这个世界上存在的文字符号，都有一个唯一的编码。这样就不可能有任何冲突了，不管要同时显示任何文字，都没有问题。

因此在这样的方案下，Unicode出现了。Unicode编码范围是：0-0x10FFFF，可以容纳1114112个字符，100多万。从码位范围看，严格的unicode需要3个字节来存储。但是考虑到理解性和计算机处理的方便性，理论上还是用4个字节来描述。

Unicode采用的汉字相关编码用的是《CJK统一汉字编码字符集》— 国家标准 GB13000.1 是完全等同于国际标准《通用多八位编码字符集 (UCS)》 ISO 10646.1。《GB13000.1》中最重要的也经常被采用的是其双字节形式的基本多文种平面。在这65536个码位的空间中，定义了几乎所有国家或地区的语言文字和符号。其中从0x4E00到 0x9FA5 的连续区域包含了 20902 个来自中国（包括台湾）、日本、韩国的汉字，称为 CJK (Chinese Japanese Korean) 汉字。CJK是《GB2312-80》、《BIG5》等字符集的超集。

具体实现算法Google之

在计算机中的实现

不可能所有情况都拿总表，太浪费资源，所以会有一下三种方案：

UTF-8(UCS Transformation Format 8bit)

之前要知道:
MBCS（Multi-Byte Chactacter System（Set)）：多字节字符系统或者字符集
基于ANSI编码的原理上，对一个字符的表示实际上无法确定他需要占用几个字节的，只能从编码本身来区分和解释。因此计算机在存储的时候，就是采用多字节存储的形式,也就是你需要几个字节我给你放几个字节.在基于GBK的windows中，不会超过2个字节，所以windows这种表示形式有叫做DBCS（Double-Byte Chactacter System），其实算是MBCS的一个特例。C语言默认存放字符串就是用的MBCS格式。从原理上来说，这样是非常经济的一种方式。

这个方案的意思以8位为单位来标识文字，注意并不是说一个文字用8位标识。他其实是一种MBCS方案，可变字节的。到底需要几个字节表示一个符号，这个要根据这个符号的unicode编码来决定，最多4个字节。

具体规则Google之，能节省很多的空间。
简单知道以下内容就行：
1.不同Unicode编码区间有不同的二进制模板，不同的模板分别占用1B，2B，3B，4B。
2.模版中有规定空位可以将原来的Unicode16进制转换成的二进制插入
3.得到新的二进制，转换到16进制就是UTF-8的编码。

UTF-16(UCS Transformation Format 8bit)

UTF-16编码以16位无符号整数为单位。注意是16位为一个单位，不表示一个字符就只有16位。现在机器上的unicode编码一般指的就是UTF-16。绝大部分2个字节就够了，但是不能绝对的说所有字符都是2个字节。当超出范围的时候会使用一种叫代理的方式，占用4个字节，此时就不是2B了，但是毕竟少数。

UTF-32UCS Transformation Format 8bit)

直接实现的版本。
现在绝大部分机器实现unicode还是采用的UTF-16的方案。当然也有UTF-8的方案。比如windows用的就是UTF-16方案，不少linux用的就是UTF-8方案。

点击这里跳转到原文
或者复制原文地址：

http://blog.sina.com.cn/s/blog_4aa887440101arks.html