字符集(charset)与编码(encoding)区别对比

前言

字符集与编码这两个概念常被混淆，两者是有差别的。
字符集与字符集编码是两个不同层面的概念：
（1）charset 是 character set 的简写，即字符集。
（2）encoding 是 charset encoding 的简写，即字符集编码，简称编码。、

与接口及接口实现的对比

从这里可以很清楚地看到，

一、编码是依赖于字符集的，就像代码中的接口实现依赖于接口一样；
二、一个字符集可以有多个编码实现，就像一个接口可以有多个实现类一样。

具体例子及规范用法

可以简单看两个例子，一个自于 html 文件，用的是 charset：

<meta http-equiv="content-type" content="text/html;charset=utf-8">

另一个来自于 xml 文件，用的是 encoding：

<?xml version="1.0" encoding="UTF-8"?>

哪一种用法更规范呢？显然是后者，它更加准确地区分了字符集与编码的概念。

注意：“charset=utf-8”容易让人误解为存在一种叫“UTF-8”的字符集，但实际上，无论是 UTF-8，UTF-16 还是 UTF-32 都是对同一种字符集的不同编码实现而已。

为什么要严格区分字符集与编码这两个概念？

在早期，字符集与编码是一对一的，但随着时间的发展，出现了一对多的情形。

字符集与编码一对一的情形

有很多的字符编码方案，一个字符集只有唯一一个编码实现，两者是一一对应的。比如 GB2312，这种情况，无论你怎么去称呼它们，比如“GB2312编码”，“GB2312字符集”，说来说去其实都是一个东西，可能它本身就没有特意去做什么区分，所以无论怎么说都不会错。

为什么一对一是一种普遍的情况呢？

我们以 GB2312 为例，GB=Guo Biao=国标=国家标准，标准出来本来就为了统一，你一个标准弄出 N 个编码实现来，你让人家用哪个呢？

字符集与编码一对多的情形

事情到了 Unicode 这里，变得不一样了，唯一的 Unicode 字符集对应了三种编码：UTF-8，UTF-16，UTF-32。如果还是这么笼统地去称呼，就很容易搞混了。

为什么 Unicode 这么特殊？

人们弄出新的字符集标准，驱动力无外乎是旧的字符集里的字符不够用了。

Unicode 的目标是统一所有的字符集，囊括所有的字符，所以字符集发展到它这里就到头了，再去整什么新的字符集就没必要也不应该了。

但如果觉得它现有的编码方案不太好呢？在不能弄出新的字符集情况下，只能在编码方面做文章了，于是就有了多个实现，这样一来传统的一一对应关系就打破了。

我们严格地区分字符集与编码两个概念，理由就在这里：
指定了编码，它所对应的字符集自然就指定了，编码才是我们最终要关心的。

Unicode 早期与现在的对比

由于历史方面的原因，你还会在不少地方看到把 Unicode 和 UTF-8 混在一块的情况，这种情况下的 Unicode 通常就是 UTF-16 或者是更早的 UCS-2 编码，在后面的篇章中我们会进一步分析。

记事本实例

我们现在说了不少 Unicode，由于各种原因，必须承认，在不同的语境下，“Unicode”这个词有着不同的含义。
它可能指：
（1）Unicode 标准
（2）Unicode 字符集
（3）Unicode 的抽象编码（编号），也即码点（code point）
（4）Unicode 的一个具体编码实现，通常即为变长的 UTF-16（16 或 32 位），又或者是更早期的定长 16 位的 UCS-2